Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
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 50 257 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 659-o'rinni va Rossiya mintaqasida 12 428-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 50 257 obunachiga ega bo‘ldi.
28 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 42 ga, so‘nggi 24 soatda esa 3 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 10.26% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 6.15% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 5 157 marta ko‘riladi; birinchi sutkada odatda 3 091 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 29 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 29 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.
50 257
Obunachilar
+324 soatlar
+87 kunlar
+4230 kunlar
Postlar arxiv
➕ SQL-запросы, о которых должен знать каждый дата-инженер. Гайд по по работе с SQL в Data Science.
Знание продвинутого синтаксиса SQL необходимо и новичку, и опытному дата-инженеру или аналитику данных.
В связи с бурным ростом объема данных все более важным становится умение очень быстро их анализировать.
Объем данных на этом графике показан в зеттабайтах.
1 зеттабайт = 1 триллион гигабайтов
Есть много очень вместительных нереляционных хранилищ, которые отлично выполняют свою работу, поддерживая массовое горизонтальное масштабирование с низкими затратами. Однако они не заменяют высококачественные хранилища на основе SQL, а лишь дополняют их.
Высококачественными и очень надежными для относительно естественного моделирования данных их делают ACID-свойства SQL.
Читать дальше
@data_analysis_ml
💡10 фич для ускорения анализа данных в Python
Советы и рекомендации, особенно в программировании, могут быть очень полезны. Маленький шоткат, аддон или хак может сэкономить кучу времени и серьёзно увеличить производительность. Я собрала свои самые любимые и сделала из них эту статью. Какие-то из советов ниже уже известны многим, а какие-то появились совсем недавно. Так или иначе, я уверена, они точно не будут лишними, когда вы в очередной раз приступите к проекту по анализу данных.
Читать дальше
@data_analysis_ml
Всего за 1-3 месяца в удаленном формате вы можете освоить цифровую профессию бесплатно и начать работать по специальности. Выдается удостоверение о повышении квалификации или диплом о проф. переподготовке.
Федеральный проект "Содействие занятости" приглашает граждан, имеющих высшее или среднее профессиональное образование. Принять участие могут:
— безработные
— женщины в декрете с детьми до 3 лет
— неработающие матери детей до 7 лет
— неработающие выпускники и студенты до 35 лет
— граждане 50+
Полный список категорий на сайте.
Обучитесь на:
— Системного аналитика
— Аналитика данных
— Аналитика маркетплейсов
— Разработчика сайтов на Тильде
— Тестировщика ПО
есть и другие курсы на ваш выбор.
Спешите подать заявку, количество мест ограниченно!
5️⃣ преимуществ low-code подхода к аналитике данных.
Возможность мало кодировать, а больше использовать готовые компоненты и визуальное проектирование позволяет решать задачи анализа с меньшими затратами сил разработчиков. В статье расскажем об основных преимуществах подобного подхода.
Потребность в инструментах, минимизирующих программирование, существовала давно. Цель любой организации — быстро и с минимальными затратами решить задачу, при этом учесть особенности бизнеса компании. Проблема в том, что сложно удовлетворить этим критериям одновременно. Можно либо воспользоваться готовыми решениями, позволяющими получить результат быстро, но без учета нюансов бизнеса и с потерей гибкости. Либо разработать уникальное решение под себя, что требует много времени и дорогостоящих специалистов.
Low-code — это метод разработки, позволяющий проектировать логику быстро, с небольшими затратами на внедрение и поддержку. Low-code сводит к минимуму использование программного кода, заменяя его визуальными средствами конструирования.
Мы выделили 5 основных преимуществ low-code подхода при работе над аналитическими проектами.
Читать дальше
@data_analysis_ml
Immudb – самая быстрая в мире неизменная база данных, построенная на модели нулевого доверия
Immudb - это база данных со встроенной криптографической проверкой. Она отслеживает изменения в конфиденциальных данных, и целостность истории будет защищена клиентами без необходимости доверять самой базе. Она может работать как хранилище ключей и значений, так и/или как реляционная база данных (SQL).
#GitHub | #SQL #Data
@data_analysis_ml
🛠 Главные ошибки при анализе данных
Аналитик данных — лучший в статистике среди программистов и лучший программист среди статистиков. В этом топе обсудим, как программисту стать лучше в статистике.
Примеры, код и детальный вывод доступны на github и в Jupyter Notebook. В коде библиотека d6tflowуправляет рабочим процессом, а d6tpipe обеспечивает публичное хранение данных.
Статья
Код
@data_analysis_ml
🤖 Подборка полезных ресурсов по машинному обучению и аннализу данных
@ai_machinelearning_big_data - продвинутый ML
@datascienceiot - книги по аннализу данных
@machinelearning_ru - машиннное обучение с нуля до профи
@ArtificialIntelligencedl - искусственный интеллект
@Machinelearningtest - тесты по мл
@machinee_learning - чат дата саентистов
@programming_books_it - книги по прогрраммированию
@pro_python_code - глубокий python
@Golang_google -golang
@itchannels_telegram - полный список полезных ресурсов
✅ Лассо- и ридж-регрессии: интуитивное сравнение
Знакомство с машинным обучением часто начинается с линейной регрессии — одного из самых простых алгоритмов.
Однако эта модель быстро раскрывает свои недостатки, особенно при работе с наборами данных, которые требуют перестройки моделей. Основные решения этой проблемы — ридж- и лассо-регрессии.
Читать дальше
@data_analysis_ml
14 проектов по науке о данных
Возможно, самые короткие по срокам проекты визуализации данных! Ниже приведены интересные наборы данных, с помощью которых вы сможете пополнить свои портфолио, проведя анализ данных и создав несколько интересных визуализаций .
Читать дальше
@data_analysis_ml
⚡️ Старт набора на продвинутый онлайн-курс «Machine Learning Advanced»
Редкая возможность для тех, кто занимается машинным обучением!
Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
📌 РЕЗУЛЬТАТ ПРОХОЖДЕНИЯ КУРСА:
Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами.
💻 Двухдневный интенсив — «Рекомендовать или не рекомендовать, пуcть решает ML!», 11 июля в 18:00
https://otus.pw/pFOo/
Время прохождения теста ограничено 20 минут
👉 Пройдете вступительный тест — сможете занять место в группе по спец.цене
https://otus.pw/eIpa/
🗾 Посмотрим, как ИИ учится классифицировать изображения
Загляним под капот алгоритмов машинного обучения, пока они работают.
Cуществует множество руководств и статей, которые хорошо показывают, как алгоритмы машинного обучения могут обучаться на изображениях и выполнять различные удивительные задачи. Итак, эта статья не о том, что они могут сделать,а о том что происходит, пока машины учатся.
Я надеюсь, что анимации в этой статье смогут ннаглядно показать, как современные алгоритмы машинного обучения работают с различными данными и очень быстро учатся тому, как извлекать значимые признаки из данных для эффективного решения поставленной задачи. Итак, давайте сразу приступим!
Статья
Код
Набор данных
@data_analysis_ml
Существуют ли востребованная во всем мире техническая профессия, не связанная с программированием?
Определенно, да. И эта профессия заключается в создании 3D изображений.
3D специалисты за 3-7 дней могут создать с нуля в специальной программе различные модели на заказ. Например, модели мебели, декора, ювелирки, игровых персонажей.
Спрос большой, поэтому платят моделлерам соответственно - от 20 до 60.000 руб за набор моделей.
Школа моделинга DISKILL приглашает вас попробовать себя в роли 3D специалиста. Приходите на бесплатный 14-ти дневный онлайн-тренинг, который устраивает преподаватель Олег Кононыхин - 3D моделлер, работающий с Газпромом и Сбербанком.
На тренинге он бесплатно обучит желающих без опыта созданию 3D моделей и визуализаций на примере интерьера.
Кстати, в конце Олег заплатит 10.000 руб автору лучшей работы.
Старт 1 июля, участники уже устанавливают программы. Для регистрации на тренинг подпишитесь на канал школы моделинга и перейдите по ссылке в закрепленном сообщении -> https://t.me/diskill_3d
🔥 Новый формат получения специальности Data Science - Буткемп. Что это такое?
💪 Буткемп — методика, которую использовали в лагерях для подготовки солдат. Чтобы стать полноценным бойцом, в обычных условиях новобранцу нужно 3-4 года. В условиях Bootcamp такого результата достигали за 4 месяца. Эффективность методики обоснована тем, что на период кемпа человек полностью погружается в процесс обучения и быстрей воспринимает информацию. Сейчас этот метод обучения активно используют в Гарварде, IT-компаниях, бизнес-проектах и образовательных программах.
✅ Для обучения IT специальностям (прежде всего Data Science) формат начали использовать в 2011 году в США. Он быстро доказал свою эффективность и стал популярным. К примеру, за 2020 год IT буткемпы выпустили 24975 американцев. Для стран бывшего СССР это новый формат.
⭐ В 2018 году в России открылся первый - Эльбрус Буткемп. С тех пор его выпускниками стали 883 человека. 93% из них нашло работу в течение 3 месяцев после выпуска. Буткемп работает как оффлайн (Москва и Санкт-Петербург), так и онлайн.
✅ Подробнее о формате Буткемп узнайте на мероприятии уже сегодня
GraphQL-engine – Молниеносно быстрые, мгновенные API GraphQL в реальном времени для вашей базы данных с детализированным контролем доступа.
Создавайте мощные запросы: встроенная фильтрация, разбивка на страницы, поиск шаблонов, множественная вставка, обновление, удаление мутаций
Позволяет использовать пользовательскую бизнес-логику в определенные моменты времени, используя конфигурацию cron или одноразовое событие
Поддерживаемые базы данных: PostgreSQL (и его разновидности), MS SQL Server и Big Query
💻 Код
📝 Инструкция
@data_analysis_ml
7 способов раскрыть жульничество аналитика данных
Не имеет значения, являетесь ли вы крупным или малым предпринимателем, инвестором, частью менеджерского звена компании, судьёй на марафоне программирования или иным участником технологической индустрии, рано или поздно вы окажетесь в ситуации, где кто-либо пытается “продать” вам свой “ИИ-продукт”, “ПО машинного обучения” или какое-то другое сочетание вычурных слов. Если такая ситуация случилась с вами, будет естественным чувствовать нехватку знаний и опыта для принятия взвешенного решения. Стойте на своём и не позвольте себя обыграть! Ниже приведены 7 здравых способов, которые помогут вам пробиться через навязываемую чушь и понять истинную ценность предложения по машинному обучению (ML), которое вам пытаются продать.
Читать дальше
@data_analysis_ml
Dash – Аналитические веб-приложения для Python, R, Julia и Jupyter.
Это наиболее скачиваемый и одновременно надежный фреймворк Python для создания веб-приложений для ML & data science.
Построенный поверх Plotly.js, React и Flask, Dash связывает современные элементы пользовательского интерфейса, такие как выпадающие списки, ползунки и графики, непосредственно с вашим аналитическим кодом Python.
⤷ Документация
⤷ Примеры программ
GitHub | #Python #R #Web #ML #Data #Science
5️⃣ подходов к построению современной платформы данных
https://telegra.ph/5-podhodov-k-postroeniyu-sovremennoj-platformy-dannyh-06-25
@data_analysis_ml
📝 Добыча данных: анализ рыночной корзины с помощью алгоритма Apriori
Алгоритм Apriori — один из самых популярных алгоритмов, используемых в обучении правилам ассоциаций на реляционных базах данных. Он определяет элементы в наборе данных и далее расширяет их на все большие и большие наборы элементов.
Однако алгоритм Apriori расширяется только в том случае, если наборы элементов являются частыми, то есть если существует вероятность того, что набор элементов превышает определенный заранее установленный порог.
Читать дальше
@data_analysis_ml
В Яндексе идёт набор на стажировку! Хотите поближе познакомиться с командами и выбрать для стажировки именно ту, в которой вам будет интересно? 27 июня приглашаем на наше большое онлайн-мероприятие — Летний фестиваль вакансий ☀️
На фестивале выступят руководители команд из разных подразделений Яндекса, они расскажут о своих задачах и самых свежих стажёрских вакансиях по бэкенду, фронтенду, мобильной разработке, ML, аналитике и DevOps. Вы сможете задать им любые вопросы, а после — подать заявку на стажировку в той команде, которая вам понравилась.
А ещё мы впервые покажем, как проходит секция на алгоритмы для стажёров!
Регистрируйтесь, чтобы присоединиться: https://clck.ru/rcgeQ
💬 Yandex: An Open-source Yet another Language Model 100B
Яндекс выложил YaLM 100B, обучененный на 2 терабайтах текста: датасет Pile и сайтах, включающих не только Wikipedia, новостные статьи и книги, но и Github и arxiv.org. Яндекс применил генеративные нейронные сети YaLM в недавнем обновлении поиска Y1. Сейчас модель уже помогаеь давать ответы в Яндекс поиске и Алисе.
Это самая большая open source модель на данный момент.
Github: https://github.com/yandex/YaLM-100B
@data_analysis_ml
