uz
Feedback

Firibgarlarga uchmang! Telemetrio bunday kanallarni topadi va belgilaydi 👉 Belgini ko‘rmoqchi bo‘lsangiz, obuna bo‘ling

Анализ данных (Data analysis)

Анализ данных (Data analysis)

Kanalga Telegram’da o‘tish

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

Ko'proq ko'rsatish

📈 Telegram kanali Анализ данных (Data analysis) analitikasi

Анализ данных (Data analysis) (@data_analysis_ml) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 51 929 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 575-o'rinni va Rossiya mintaqasida 11 804-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 51 929 obunachiga ega bo‘ldi.

18 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 379 ga, so‘nggi 24 soatda esa 21 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

  • Tasdiqlash holati: Tasdiqlanmagan
  • Jalb etish (ER): Auditoriya o‘rtacha 12.13% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 8.35% ini tashkil etuvchi reaksiyalarni to‘playdi.
  • Post qamrovi: Har bir post o‘rtacha 6 299 marta ko‘riladi; birinchi sutkada odatda 4 337 ta ko‘rish yig‘iladi.
  • Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 169 ta reaksiya keladi.
  • Tematik yo‘nalishlar: Kontent llm, контекст, openai, архитектура, deepseek kabi asosiy mavzularga jamlangan.

📝 Tavsif va kontent siyosati

Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“Data science, наука о данных. @haarrp - админ РКН: clck.ru/3FmyAp”

Yuqori yangilanish chastotasi (oxirgi ma’lumot 19 Noyabr, 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.

51 929
Obunachilar
+2124 soatlar
-457 kun
+37930 kun
Postlar arxiv
Решение задач из области компьютерного зрения — одно из самых популярных направлений ML-разработки. А платформа ML Space — от
Решение задач из области компьютерного зрения — одно из самых популярных направлений ML-разработки. А платформа ML Space — отличный инструмент для работы дата-инженеров и дата-сайентистов. Однако для хорошей работы модели нужны качественно размеченные данные. Поэтому команда Cloud запускает бесплатный вебинар, чтобы вы узнали: ✅ как собрать и качественно разметить большие объемы данных для задач компьютерного зрения на примере датасета жестов HaGRID, который размещен в DataHub ML Space и доступен в пару кликов для обучения модели. ✅ спикеры поделятся лайфхаками по работе с краудсорсинговыми платформами и пайплайном обучения классификаторов. ✅ как можно применять датасет HaGRID: от лайков к онлайн-выступлению до управления автомобилем. Вебинар будет полезен: дата-инженерам, дата-сайентистам и всем, кто неравнодушен к машинному обучению. Регистрируйтесь на вебинар на нашем сайте
01 Okt 2022, 05:00
08 Okt 2022, ~07:31

📓 Алгоритмы обработки текста: 125 задач с решениями Сопоставление строк - одна из самых старых тем в теории алгоритмов, но п
📓 Алгоритмы обработки текста: 125 задач с решениями Сопоставление строк - одна из самых старых тем в теории алгоритмов, но по-прежнему занимает важное место в информатике. За прошедшие 20 лет мы видели технологические прорывы в таких разных приложениях, как информационный поиск и сжатие информации. Эта книга, представляющая собой богатое собрание задач и упражнений по важнейшим вопросам алгоритмов обработки текстов и комбинаторных свойств слов, предлагает студентам и исследователям приятный и прямой путь к изучению и практическому освоению концепций повышенного уровня. Задачи взяты из многочисленных научных публикаций - как уже ставших классическими, так и сравнительно новых. Начав с основ, авторы рассматривают все более сложные задачи по комбинаторным свойствам слов (включая слова Фибоначчи и Туэ-Морса), поиску строк в тексте (включая алгоритмы Кнута-Морри-са-Пратта и Бойера-Мура), эффективным структурам данных для представления текстов (включая суффиксные деревья и суффиксные массивы) и сжатия текста (включая методы Хаффмана, Лемпеля-Зива и Барроуза-Уилера). Издание будет полезно в качестве пособия для подготовки к олимпиадам по информатике. ➡️ Книга @data_analysis_ml
01 Okt 2022, 03:55

Ищем учеников на бесплатный интенсив по созданию искусственного интеллекта с нуля. Опыт программирования не важен!🤖 Гарантия
Ищем учеников на бесплатный интенсив по созданию искусственного интеллекта с нуля. Опыт программирования не важен!🤖 Гарантия трудоустройства всем выпускникам университета! Удаленная работа из любой точки мира! Всего за 3 вечера под руководством Дмитрия Романова - основателя Университета Искусственного Интеллекта, лидера обучения AI-разработке в РФ и СНГ, вы с легкостью напишете свой первый искусственный интеллект👨‍💻 Какие нейронные сети вы создадите? 👉Классификация марок молока 👉Классификация людей на входящих и выходящих из автобуса 👉Обнаружение возгораний 👉Оценка стоимости квартир 👉Классификация отзывов на Teslа 👉Оценка резюме соискателей 👉Прогнозирование стоимости полиметаллов 👉Сегментация изображений самолетов 👉Распознавание команд умного дома⠀ Лучше освоить навыки создания нейронных сетей вам помогут домашние задания с проверкой от кураторов.⠀ Приходите на бесплатный интенсив и напишите искусственный интеллект за 3 вечера💪 Регистрируемся тут
01 Okt 2022, 02:54
08 Okt 2022, ~07:31

⚙️ 9 концепций, которые вы должны изучить для своих интервью по науке о данных С появлением Интернета бесконечные ресурсы дос
⚙️ 9 концепций, которые вы должны изучить для своих интервью по науке о данных С появлением Интернета бесконечные ресурсы доступны всего одним щелчком мыши, и в результате мы можем получить доступ к любой логике и синтаксисам, которые мы ищем, но это может быть как благословением, так и проклятием. Если не использовать разумно, чрезмерная зависимость от Интернета может замедлить нас. Мы склонны чрезмерно полагаться на Интернет для простой логики и синтаксиса Python, и поэтому мы не тренируем свой мозг запоминать эти концепции. Итак, каждый раз, когда мы используем даже часто используемые синтаксисы, мы привыкаем их гуглить — это нас тормозит, и другие видят в нас дилетантов. Итак, каково решение? Вы ищете синтаксис/концепцию в Google первые 2-3 раза, когда вы ее используете, а затем пытаетесь реализовать ее самостоятельно на 4-й раз. В этом блоге я познакомлю вас с некоторыми из наиболее эффективных концепций науки о данных, которые вам следует изучить, чтобы сэкономить время и стать более продуктивным специалистом по науке о данных. Если вы уже знакомы с этими концепциями, вы можете использовать этот блог, чтобы освежить свое понимание ➡️ Читать дальше @data_analysis_ml
30 Sen 2022, 06:13

Уже занимаетесь аналитикой, но для профессиональной работы с данными не хватает нужных знаний и инструментов? На курсе «Аналитик данных» от школы karpovꓸcourses за 5 месяцев вы научитесь всему необходимому для решения ваших рабочих задач — здесь вы не только изучите теорию, но и на практических кейсах отточите навыки работы со всеми актуальными инструментами для анализа данных. В программу курса входят: – Python и SQL – Git и Airflow – Теория вероятностей – Статистика и A/B-тесты – Продуктовая аналитика – Визуализация данных в Tableau Обучение построено на реальных задачах индустрии и проходит в формате буткемпа, когда максимум знаний даётся за минимальный срок. Преподаватели — специалисты с опытом работы в топовых IT-компаниях. Записывайтесь на курс по ссылке до 7 октября — по промокоду DAML30 вы получите скидку 10%. Также на сайте доступна бесплатная демоверсия — можете начать с неё. Ждём вас!
30 Sen 2022, 04:13
08 Okt 2022, ~07:31

Уже занимаетесь аналитикой, но для профессиональной работы с данными не хватает нужных знаний и инструментов? На курсе «Аналитик данных» от школы karpovꓸcourses за 5 месяцев вы научитесь всему необходимому для решения ваших рабочих задач — здесь вы не только изучите теорию, но и на практических кейсах отточите навыки работы со всеми актуальными инструментами для анализа данных. В программу курса входят: – Python и SQL – Git и Airflow – Теория вероятностей – Статистика и A/B-тесты – Продуктовая аналитика – Визуализация данных в Tableau Обучение построено на реальных задачах индустрии и проходит в формате буткемпа, когда максимум знаний даётся за минимальный срок. Преподаватели — специалисты с опытом работы в топовых IT-компаниях. Записывайтесь на курс по ссылке до 7 октября — по промокоду DAML30 вы получите скидку 10%. Также на сайте доступна бесплатная демоверсия — можете начать с неё. Ждём вас!
30 Sen 2022, 03:18
30 Sen 2022, ~03:32

✔️ PANDAS VS SQL для работы с данными. Еще порядка 10 лет назад для работы по исследованию данных было достаточно SQL как инс
✔️ PANDAS VS SQL для работы с данными. Еще порядка 10 лет назад для работы по исследованию данных было достаточно SQL как инструмента для выборки данных и формирования отчетов по ним. Но время не стоит на месте, и примерно в 2012 году стала стремительно набирать популярность Python-библиотека Pandas. И вот сегодня уже сложно представить работу Data Scientist’а без данного модуля. Не буду подробно углубляться в то, что предоставляют из себя оба инструмента ввиду их популярности среди аналитиков и исследователей данных, но небольшую справку все-таки оставим: Итак, SQL (язык структурированных запросов — от англ. Structed Query Language) — это декларативный язык программирования, применяемый для получения и обработки данных с помощью создания запросов внешне похожих по синтаксису на предложения, написанные на английском языке. Pandas — это модуль для обработки и анализа данных в табличном формате и формате временн́ых рядов на языке Python. Библиотека работает поверх математического модуля более низкого уровня NumPy. Название модуля происходит от эконометрического понятия «панельные данные» (или как его еще называют «лонгитюдные данные» — это данные, которые состоят из повторяющихся наблюдений одних и тех же выбранных единиц, при этом наблюдения производятся в последовательные периоды времени). ➡️ Читать дальше @data_analysis_ml
29 Sen 2022, 08:31

❗️Одно из ключевых требования для дата-инженера — знание Spark. 🚀Начните осваивать этот незаменимый инструмент уже 6 октября
❗️Одно из ключевых требования для дата-инженера — знание Spark. 🚀Начните осваивать этот незаменимый инструмент уже 6 октября в 20:00 мск на бесплатном вебинаре «ФОРМАТЫ ДАННЫХ В SPARK» от OTUS. 📚На занятии мы: - Познакомимся с Spark API для работы с такими форматами, как XML, JSON, CSV, PARQUET, ORC, AVRO. - Обсудим их плюсы и минусы, поговорим о том, как будет строиться работа с форматами в будущем. - Проведем замеры, необходимые для выбора формата. 👉Регистрация на вебинар: https://otus.pw/fOOwN/ Открытый урок пройдет в рамках онлайн-курса «Spark Developer» для специалистов с опытом работы с базами данных. Реклама. Информация о рекламодателе на сайте otus.ru
29 Sen 2022, 06:31
06 Okt 2022, ~02:39

Как использовать MSE в науке о данных В большинстве описаний среднеквадратичной ошибки (mean square errore, MSE) упускается о
Как использовать MSE в науке о данных В большинстве описаний среднеквадратичной ошибки (mean square errore, MSE) упускается один важнейший нюанс: метрики и функции потерь  —  это не совсем одно и то же. Для оценки и оптимизации производительности модели в машинном обучении нужны две отдельные функции потерь. MSE может быть либо тем, либо другим, либо третьим  —  выбор за исследователем. Чтобы было понятнее, что имеется в виду под оценкой производительности и оптимизацией, вместо отвлеченных рассуждений обратимся к конкретным примерам. Для демонстрации будем использовать среднеквадратичную ошибку (MSE), но имейте в виду: MSE  —  это полезная метрика, но не панацея. Итак, погрузимся в тему! Что такое MSE? Среднеквадратичная ошибка (MSE)  —  одна из множества метрик, которые используются для оценки эффективности модели. Для расчета MSE необходимо возвести в квадрат количество обнаруженных ошибок и найти среднее значение. Зачем вычислять MSE? Это можно сделать для 2 целей. Оценка производительности  —  визуальное определение того, насколько хорошо работает модель. Другими словами, это возможность быстро понять, с чем предстоит работать. Оптимизация модели позволяет выяснить, достигнуто ли наилучшее из возможных соответствий или же требуются улучшения. Другими словами, определить, какая модель максимально подходит для работы с выбранными точками данных. ➡️ Читать дальше 🎞 MSE @data_analysis_ml
29 Sen 2022, 04:31

Как использовать MSE в науке о данных В большинстве описаний среднеквадратичной ошибки (mean square errore, MSE) упускается о
Как использовать MSE в науке о данных В большинстве описаний среднеквадратичной ошибки (mean square errore, MSE) упускается один важнейший нюанс: метрики и функции потерь  —  это не совсем одно и то же. Для оценки и оптимизации производительности модели в машинном обучении нужны две отдельные функции потерь. MSE может быть либо тем, либо другим, либо третьим  —  выбор за исследователем. Чтобы было понятнее, что имеется в виду под оценкой производительности и оптимизацией, вместо отвлеченных рассуждений обратимся к конкретным примерам. Для демонстрации будем использовать среднеквадратичную ошибку (MSE), но имейте в виду: MSE  —  это полезная метрика, но не панацея. Итак, погрузимся в тему! Что такое MSE? Среднеквадратичная ошибка (MSE)  —  одна из множества метрик, которые используются для оценки эффективности модели. Для расчета MSE необходимо возвести в квадрат количество обнаруженных ошибок и найти среднее значение. Зачем вычислять MSE? Это можно сделать для 2 целей. Оценка производительности  —  визуальное определение того, насколько хорошо работает модель. Другими словами, это возможность быстро понять, с чем предстоит работать. Оптимизация модели позволяет выяснить, достигнуто ли наилучшее из возможных соответствий или же требуются улучшения. Другими словами, определить, какая модель максимально подходит для работы с выбранными точками данных. ➡️ Читать дальше 🎞 MSE @data_analysis_ml
29 Sen 2022, 03:17
29 Sen 2022, ~03:17

DataWorkshop Машинное обучение, [28 сент. 2022 г., 20:16:24]: ⏰ 29 сентября в 18:30 (мск) пройдет live coding вебинар "Прогно
DataWorkshop Машинное обучение, [28 сент. 2022 г., 20:16:24]: ⏰ 29 сентября в 18:30 (мск) пройдет live coding вебинар "Прогнозирование опозданий самолетов с помощью Machine Learning". 🚩 Регистрация ✅ Получите бесплатный доступ к серверу ✅ Попробуете себя в роли специалиста в Data Science ✅ Будете кодить на Python вместе с экспертом ✅ Сделаете прогноз на реальных данных ✅ Получите личную рекомендацию от эксперта ✅ Получите 100% практику Не получается быть на вебинаре в этот раз, подписывайтесь на их телеграм канал, чтобы не пропустить очередное полезное событие. это для канала machinelearning_ru А второй текст для data_analysis_ml ⏰ 29 сентября в 18:30 (мск) пройдет live coding вебинар "Прогнозирование опозданий самолетов с помощью Machine Learning". 🚩 Регистрация ✅ Получите бесплатный доступ к серверу ✅ Попробуете себя в роли специалиста в Data Science ✅ Будете кодить на Python вместе с экспертом ✅ Сделаете прогноз на реальных данных ✅ Получите личную рекомендацию от эксперта ✅ Получите 100% практику Не получается быть на вебинаре в этот раз, подписывайтесь на их телеграм канал, чтобы не пропустить очередное полезное событие.
29 Sen 2022, 02:30
06 Okt 2022, ~02:39

🧩 FILL-MASK моделирование! Fill-mask моделирование – это задача маскирования некоторых слов в предложении и дальнейшее предс
🧩 FILL-MASK моделирование! Fill-mask моделирование – это задача маскирования некоторых слов в предложении и дальнейшее предсказание, какие слова должны заменить данные маски. Подобный тип задач используется для обучения больших моделей, направленных на решение специфических проблем. Например, данные модели применяются для извлечения информации из узкоспециализированных источников, что в дальнейшем позволит исследовать данные по заданной теме, извлекать необходимые объекты или классифицировать их. Fill-mask максимально полезен в том случае, когда необходимо получить статистическое понимание языка, на котором обучалась или будет обучаться модель. Принцип работы MLM (маскированное языковое моделирование) Для того, чтобы обучить модель определять и адекватно предлагать слова, которые можно будет вставить в пропуск, ей необходимо случайным образом маскировать 15% слов на входе до тех пор, пока она не сможет предсказать маскированные в предложении слова. Этот принцип значительно отличается от традиционных рекуррентных нейронных сетей, которые видят слова одно за другим, или от авторегрессионых GPT-моделей, которые внутри себя маскируют будущие лексемы. Fill-mask моделирование позволяет изучать двунаправленное представление предложения, иными словами, выражает объектные, определительные, обстоятельственные синтаксические отношения. ➡️ Читать дальше ⚙️ Модель @data_analysis_ml
28 Sen 2022, 05:00

🧩 FILL-MASK моделирование! Fill-mask моделирование – это задача маскирования некоторых слов в предложении и дальнейшее предсказание, какие слова должны заменить данные маски. Подобный тип задач используется для обучения больших моделей, направленных на решение специфических проблем. Например, данные модели применяются для извлечения информации из узкоспециализированных источников, что в дальнейшем позволит исследовать данные по заданной теме, извлекать необходимые объекты или классифицировать их. Fill-mask максимально полезен в том случае, когда необходимо получить статистическое понимание языка, на котором обучалась или будет обучаться модель. Принцип работы MLM (маскированное языковое моделирование) Для того, чтобы обучить модель определять и адекватно предлагать слова, которые можно будет вставить в пропуск, ей необходимо случайным образом маскировать 15% слов на входе до тех пор, пока она не сможет предсказать маскированные в предложении слова. Этот принцип значительно отличается от традиционных рекуррентных нейронных сетей, которые видят слова одно за другим, или от авторегрессионых GPT-моделей, которые внутри себя маскируют будущие лексемы. Fill-mask моделирование позволяет изучать двунаправленное представление предложения, иными словами, выражает объектные, определительные, обстоятельственные синтаксические отношения. ➡️ Читать дальше @data_analysis_ml
28 Sen 2022, 04:35
28 Sen 2022, ~04:35

💻 Узнай, как начать карьеру в IT: оффлайн и за 1 день! Все работодатели – в 1-ом месте! 20 компаний, среди которых Сбер, VK,
💻 Узнай, как начать карьеру в IT: оффлайн и за 1 день! Все работодатели – в 1-ом месте! 20 компаний, среди которых Сбер, VK, Яндекс, Kaspersky, Альфа-Банк и др. Они готовы взять начинающих IT-шников на стажировку или в штат 🔥 Почему это крутая возможность: • Лично познакомишься с HR и представителями компаний, • Прокачаешься на мастер-классах и Q&A-сессии, • Классно проведешь время с друзьями и поборешься за Apple AirPods Pro и Xiaomi Smart Band 7. Участие бесплатное❗️ Регистрируйся (и приходи) на «Найти IT»: 15 октября в Санкт-Петербурге, 25 октября в Москве.
28 Sen 2022, 03:00
05 Okt 2022, ~06:29

🐼 Продвинутая работа с данными. 7 фишек pandas для науки о данных ➡️ Читать дальше @data_analysis_ml
27 Sen 2022, 03:59

💻 Типы таблиц в PostgreSQL: clustered, foreign, partitioned и inherited tables В статье речь пойдёт про кластеризованные, вн
💻 Типы таблиц в PostgreSQL: clustered, foreign, partitioned и inherited tables В статье речь пойдёт про кластеризованные, внешние, партицированные и наследуемые таблицы. Посмотрим на примеры их создания, области применения, плюсы и минусы их использования. Clustered tables — кластеризованные таблицы Мало кто любит хаос, всем нравится порядок. В рамках реляционных баз данных понятие хаоса тесно переплетено с хранением информации, потому что на протяжении своего жизненного цикла таблица постоянно видоизменяется. В процессе работы с РСУБД на уровне диска происходит постоянное изменение содержимого таблицы. Например, вы обновили данные и ваша обновлённая строка попала на другую страницу таблицы (тут надо оговориться про FILLFACTOR) с появлением мёртвой записи (dead tuple) в текущей позиции. Затем autovacuum-процесс удалил мёртвую запись, и освободившийся слот заполнился вновь поступившей строкой. ➡️ Читать дальше @data_analysis_ml
26 Sen 2022, 08:28

Как начать работать с AI Вместе с командой Cloud собрали пошаговую инструкцию, благодаря которой вы сможете сделать первые ша
+5
Как начать работать с AI Вместе с командой Cloud собрали пошаговую инструкцию, благодаря которой вы сможете сделать первые шаги в сторону внедрения AI Подписывайтесь на канал Cloud, чтобы еще больше узнать об облачных технологиях и искусственном интеллекте от ведущих экспертов🤜🤛
26 Sen 2022, 04:52
05 Okt 2022, ~06:29

⚜️ Руководство по созданию интерактивных визуализаций на Python Визуализация данных — один из важнейших этапов проекта в области науки о данных и аналитики данных. Она помогает как изучать и понимать данные, так и эффективно обмениваться результатами. Самыми распространенными библиотеками для создания визуализаций на Python являются Matplotlib и Seaborn, но существует и множество других инструментов. В этом руководстве мы изучим инструменты HoloViz, а точнее Panel и hvPlot  — библиотеки с открытым исходным кодом, которые используются для создания интерактивных диаграмм и контрольных панелей. Также узнаем, как легко развернуть и поделиться контрольной панелью с помощью Jupyter Notebook. В этом проекте мы будем использовать данные о различных покемонах, доступные на Kaggle и Wikipedia, а также данные о продажах игр про покемонов. Краткий обзор Мы выполним следующие задачи. Создадим простой интерактивный график, используя hvPlot и Pandas. Построим более сложные визуализации, используя Panel для создания виджетов, которые будут фильтровать данные, и hvPlot для отображения этих данных. Создадим контрольную панель, показывающую табличные данные, информацию о проекте, а также различные интерактивные диаграммы. Узнаем, как развертывать контрольную панель на Heroku, чтобы проектом можно было делиться. ➡️ Читать дальше ⚙️ Код @data_analysis_ml
26 Sen 2022, 02:01

📎 Потери данных при репликации в аналитическое хранилище — автоматические сверки и мониторинг качества данных Данные из боев
📎 Потери данных при репликации в аналитическое хранилище — автоматические сверки и мониторинг качества данных Данные из боевых баз в нашей архитектуре асинхронно попадают в аналитическое хранилище (Clickhouse), где уже аналитики создают дашборды для продуктовых команд и делают выборки. Базы здоровые и под ощутимой нагрузкой: мы в день отправляем флот самолётов средней авиакомпании, несколько поездов и кучу автобусов. Поэтому взаимодействий с продуктом много. ETL-процесс (извлечение данных, трансформация и загрузка в хранилище) часто подразумевает сложную логику переноса данных, и изначально нет уверенности в том, что данные доставляются без потерь и ошибок. Мы используем Kafka как шину данных, промежуточные сервисы на Benthos для трансформации записей и отправки в Clickhouse. На этапе создания пайплайна нужно было убедиться в отсутствии потерь с нашей стороны и корректной логике записи в шину данных. Проверять вручную расхождения каждый раз не хотелось, кроме того мы нуждались в сервисе, который умел бы сверять новые данные по расписанию и показывать наглядно, где и какие имеются расхождения. Поэтому мы сделали сервис сверок, о котором я и расскажу, потому что готовых решений не нашёл. ➡️ Читать дальше @data_analysis_ml
25 Sen 2022, 03:48

English for Developers - канал для тех, кто хочет учить технический английский. 1. техническая лексика 2. опросы на английско
English for Developers - канал для тех, кто хочет учить технический английский. 1. техническая лексика 2. опросы на английском 3. шутки на английском Подписывайтесь, проходите опросы, читайте полезные прогерские фразы на английском: english_forprogrammers. 1 канал вместо тысячи учебников и курсов
25 Sen 2022, 03:47