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 50 263 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, 50 263 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.
50 263
Obunachilar
+324 soatlar
+87 kunlar
+4230 kunlar
Postlar arxiv
Аналитик данных, специалист по Data Science или системный аналитик — что выбрать?
В анализе данных много специальностей, в которых можно начать карьеру. Узнайте о них подробнее на вебинаре Яндекс Практикума.
→ Бесплатно, 30 августа в 18:00
О профессиях расскажут эксперты с опытом в сфере:
◾️ Маргарита Нижельская, экс-руководитель команды системных аналитиков «МегаФон»
◾️ Кирилл Соколов, специалист по Data Science
◾️ Анна Чувилина, экс-руководитель аналитики Яндекс Практикума, Data Engineer
◾️ Инна Тетюлина, продакт-менеджер курса «Системный Аналитик»,
◾️ Устинова Алла, руководитель сервиса сопровождения направления анализа данных
◾️ Алексей Макаров, руководитель сопровождения, трудоустройства и фидбэка в направлении анализа данных Практикума
Вот что вы узнаете о каждой профессии:
— перспективы профессии;
— что должен знать и уметь специалист;
— кому подходит профессия;
— как учиться и начать карьеру;
— требования работодателей к младшим специалистам;
— как расти в профессии.
Вы сможете задать спикерам ваши вопросы о смене профессии и старте карьеры.
→ Зарегистрироваться на вебинар
📁 Автоматизированная загрузка массива CSV в БД
Потребность в подобной разработке возникла в связи с необходимостью перемещения больших объемов данных из одной системы управления базами данных в другую. Из-за большого размера выгрузки её пришлось разбивать на множество мелких CSV. Загрузка каждого файла вручную заняла бы много времени. Это и стало причиной создания программы, о которой пойдет речь. Разработанный ноутбук Python будет сам определять типы данных внутри CSV и автоматически загружать их в таблицу БД. В каталоге с ноутбуком должны быть созданы две папки: in (куда нужно сложить загружаемые CSV) и out (куда будут перемещены уже загруженные файлы). После создания папок можно приступить к написанию кода.
➡️ Читать дальше
⚙️ Код
@data_analysis_ml
⚡️ Конец набора на онлайн-курс «Data Engineer» от OTUS! Харкордный тест по «Data Engineer»
⚠️ Освойте работу с Architecture, Data Lake, DWH, MLOps с практикой в Yandex Cloud!
Программа ориентирована на технических специалистов, которые хотят решать интересные задачи в сфере Big Data.
4 месяца живых вебинаров с экспертами — и вы освоите работу с архитектурой, Data Lake, DWH и DataOps практиками.
📌 Результатом вашего обучения станет выпускной проект, где вы реализуете задачу по интересующей вас теме с учетом новых знаний.
Скидка -15% до 31 августа
👉 Успейте пройти вступительный тест и занять место в группе по спец.цене
https://otus.pw/poYp/
✒️ Распознавание чисел в прописном виде.
Суть задачи
Есть большой объём данных отсканированных через Adobe File reader документов в виде txt файлов, разного формата. Нам нужно распарсить эти документы по некоторым параметрам и достать из них число, записанное прописью. Для того чтобы вытаскивать параметры мы используем Natasha, но из-за «мусорных» данных, вызванных либо качеством сканов, либо не идеальности самого сканера, она не всегда справляется со своей задачей. Тут нам и приходит на помощь алгоритм, о котором далее пойдёт речь.
➡️ Читать дальше
⚙️ Код на Python
@data_analysis_ml
Надоело прыгать от инструмента к инструменту в процессе работы над машинным обучением?
☑️ 31 августа Cloud проводит бесплатный вебинар для дата-сайентистов, дата-инженеров и всех, кто сейчас в поиске удобного инструмента для полного цикла ML-разработки.
У каждого будет шанс:
▪️ вместе с экспертом пройти полный путь от загрузки данных на платформу ML Space до вывода модели в production;
▪️ узнать, что помогает сделать обучение моделей более прозрачным;
▪️ увидеть, как наша платформа ускоряет время разработки внутри команды Data Science;
▪️ разобрать практический кейс применения ML-решения;
▪️ узнать, как получить грант на тестирование платформы и убедиться в преимуществах самостоятельно.
Регистрируйтесь по ссылке и запускайте AI продукты до 30% быстрее!
💫 4 пакета Python для причинно-следственного анализа данных
Причинно-следственный анализ — это область экспериментальной статистики, направленная на установление и обоснование причинно-следственных связей. Использование статистических алгоритмов для доказательства причинно-следственных связей в наборе данных при строгом допущении называется эксплораторным причинно-следственным анализом (ЭПСА).
ЭПСА — это способ доказать причинно-следственные связи с помощью более контролируемых экспериментов, а не только на основе корреляции. Часто требуется испытать контрфактическое состояние — иное состояние при других обстоятельствах. Проблема в том, что корреляционный анализ позволяет приблизительно установить только причинно-следственные связи, но не контрфактические.
Анализ причинно-следственных связей — это совершенно другая область исследований в науке о данных, поскольку он отличается от предсказаний, полученных в результате моделирования с помощью машинного обучения. Можно всегда предсказать результат МО на основе имеющихся данных, но не то, что выходит за рамки этих данных.
Чтобы узнать больше о причинно-следственном анализе, познакомимся с 4 пакетами Python, которые можно использовать для исследования данных.
➡️ Читать дальше
@data_analysis_ml
5 дней практики в Data Science на реальных данных магазина из Великобритании.
Самостоятельно создадите модели машинного обучения.
Для новичков предусмотрены пошаговые видео с объяснениями.
Получите доступ к готовой среде и поддержку в сообществе.
3500+ человек из разных стран мира уже приняли участие в данном интенсиве.
15 лет практического опыта у автора интенсива, поэтому полученные знания можно сразу применять в рабочих проектах.
Количество БЕСПЛАТНЫХ мест ограничено.
Успевайте записаться по ЭТОЙ ссылке.
ЗДЕСЬ можно узнать, как получить бесплатный доступ к курсу по Python.
8 показателей эффективности классификации
Классификация — это тип контролируемой задачи машинного обучения. Цель классификации — предсказание признаков одного или нескольких наблюдаемых объектов или класса, к которому они принадлежат.
Важным элементом любого рабочего процесса машинного обучения является оценка эффективности модели. Это процесс, при котором обученную модель используют для прогнозирования на материале ранее не отображенных, помеченных данных. При классификации оценивают количество правильных прогнозов, сделанных моделью.
В реальных задачах классификации обычно невозможно достичь 100% верных прогнозов, поэтому при оценке модели полезно знать не только то, насколько она была неверна, но в чем.
➡️ Читать дальше
@data_analysis_ml
3 дня погружения в кибербезопасность. Взламываем веб-приложения и устраняем угрозы, используя язык Python. Ограничиваем доступ к сервису по IP и пробуем XSS-уязвимости. Всё это ждёт вас на бесплатном онлайн-интенсиве Skillbox с 25 по 27 августа в 21:00 по московскому времени.
Регистрируйтесь, и мы сразу пришлём вам на почту полезную статью о защите информации в сети: https://clc.to/wC1Chw.
🎁 Участвуйте и получите ценные подарки от Skillbox.
Как создать хранилище данных за 5 шагов
Будучи участником многочисленных проектов по преобразованию сложных типов данных, могу подтвердить статистику, согласно которой 85% проектов по обработке данных терпят неудачу.
Вот основные причины этих неудач.
Трансформирование стеков данных.
Недостаточная подготовленность данных.
Некомпетентность команды.
Нетерпеливость заинтересованных сторон.
Чрезмерное усердие руководства.
Отсутствие инвестиций, необходимых для изменения организационной культуры.
➡️ Читать дальше
@data_analysis_ml
МТС INTRO: стажировки вне шаблонов
Что это значит?
• 10+ направлений стажировки
• Набор 12 месяцев в году
• Погружение в проекты на 3 месяца и дольше, если в команде есть интересные задачи и тебе нравится то, что ты делаешь
• Удобный график
Что мы предлагаем?
• Целая экосистема технологичных цифровых сервисов. Здесь создаются мобильные приложения, продукты в медиа, финтехе, стриминге, гейминге, Big Data и многом другом
• Реальные проекты — лучший источник знаний и опыта
• Команда настоящих профи поможет раскрыться твоим талантам
• Стажёры сами выбирают, сколько часов в неделю работать, а ещё могут менять график в течение стажировки
• Стажировка оплачиваемая, а размер заработной платы зависит от региона и количества рабочих часов
• Оффер в МТС по итогам стажировки: если нам понравится работать вместе, будем рады, если ты станешь членом нашей команды :)
Как подать заявку на стажировку
Выбрать направление стажировки и подать заявку на сайте программы. Новые вакансии появляются каждую неделю.
📖Практическая статистика для специалистов Data SciencePDF
50+ важнейших понятий с использованием R и Python
➡️Книга
@data_analysis_ml
Почему ИИ так актуален в банковской сфере?
Узнай на лекции от Газпромбанка уже 25 августа
Подробнее о лекции:
Где: в Zoom
Во сколько: в 18:00 (по МСК)
Спикер: Адель Валиуллин, начальник отдела искусственного интеллекта Газпромбанка
Что узнаем: почему искусственный интеллект (AI) сегодня так актуален, в каких сферах применяется, какие задачи решаются в банке на основе AI и, конечно, что нужно знать для построения карьеры в data science и AI
Встречаемся 25 августа, регистрируйся по ссылке - https://vk.cc/cfSGGv
💬 Основы обработки естественного языка за 10 минут
В этой статье будут рассмотрены следующие процессы:
1. Токенизация.
2. Стоп-слова.
3. Выделение основы слова.
4. Лемматизация.
5. Создание базы слов.
6. Маркировка частей речи.
7. Построение цепочек слов.
Но прежде всего разберёмся, что же такое NLP.
Естественный язык (NL) обозначает явление, благодаря которому люди общаются друг с другом, а его обработка означает лишь передачу данных в понятной форме. Таким образом, можно сказать, что NLP — это способ, который помогает компьютерам общаться с людьми на их языке.
➡️ Читать дальше
@data_analysis_ml
Начините погружение в Spark вместе c OTUS!
🚀
Присоединяйтесь 25 августа в 20:00 мск на бесплатный вебинар «Обработка графов в Spark».
📚На вебинаре с Вадимом Заигриным, дата-инженером в VMware мы узнаем, как работать с графами на Spark, рассмотрим основные графовые алгоритмы и их реализацию на Spark.
👉 Регистрация на вебинар: https://otus.pw/19em/
Вебинар является частью онлайн-курса «Spark Developer» от OTUS.📖 Краткое руководство по созданию наборов данных с помощью Python
Если вам когда-нибудь приходилось собирать данные о своих пользователях, вы знаете, насколько это сложно. Так почему бы не попытаться создать свой собственный набор данных?
В этой статье я опишу простой процесс сбора пользовательских данных, который можно реализовать менее чем за час. Это позволит вам легко собирать и хранить пользовательские данные.
Сначала мы будем использовать Streamlit, чтобы создать веб-страницу для размещения пользовательского интерфейса сбора данных, а затем — Google Sheets API вместе с одним классным пакетом Python для хранения введенных пользователями данных.
➡️ Читать дальше
@data_analysis_ml
Хочу сегодня рассказать о канале Обновить и перезагрузить: в нем собирают инсайты из мира IT.
Как быстрее двигаться по карьерной лестнице, какие ЯП нужно и не нужно знать, на что смотрят рекрутеры и менеджеры при отборе в компанию, как проще релоцироваться — все это рассказывают опытные айтишники! Канал ведет IT-редактор, которая умело достает интересные факты и забавные истории из своих собеседников.
Здесь точно будет интересно @updateandrestart 😉
📡 Простая обработка возобновляющихся данных или как создать легко воспроизводимый DS проект.
Аналитику или исследователю данных приходится разрабатывать множество алгоритмов по обработке и анализу различных данных. Большинство алгоритмов разрабатываются для многоразового использования, а значит, код либо запускается разработчиком с определенной периодичностью, либо код передается другим пользователям для обработки своих данных. При этом алгоритмы имеют множество параметров и зависимостей, которые необходимо индивидуально настраивать под определенные данные.
Для того чтобы сделать процесс развертывания, использования и доработки алгоритма интуитивно понятным воспользуемся инструментом Kedro. Основная концепция kedro заключается в модульной структуре, где весь цикл работы с данными формируется из отдельных блоков в единый рабочий процесс
➡️ Читать дальше
⚙️ Код
⚙️ Kedro
@data_analysis_ml
Новые быстрые IT-курсы от Практикума
Освоить новую профессию теперь можно на буткемпах — новых программах длительностью от 2 до 5 месяцев. Курсы подойдут тем, у кого нет опыта в программировании или анализе данных, но есть желание и время, чтобы интенсивно учиться.
На буткемпах от Практикума можно стать аналитиком данных, фронтенд-разработчиком, специалистом по Data Science или инженером по тестированию.
Особенности коротких программ:
- Еженедельное планирование с наставником.
Распределите нагрузку и поймёте, на чём нужно сфокусироваться.
- Наставник на связи весь день.
В течение ~8 учебных часов можете писать наставнику любые вопросы по заданиям.
- Вебинары каждую неделю.
Разберёте сложные темы, получите помощь с проектами и ответы на вопросы.
- Каникулы в середине курса.
Отдохнёте неделю — и закончите учёбу с новыми силами.
- Помощь с трудоустройством.
Научитесь писать резюме, составлять портфолио и искать вакансии.
Начните учиться бесплатно сейчас.
И регистрируйтесь на ближайший поток:
— для аналитиков данных и специалистов по Data Science — 8 сентября;
— для инженеров по тестированию и фронтенд-разработчиков — 1 сентября.
🌏 Использование Redis для работы с геоданными
Работа с геопространственными данными заведомо сложная задача, хотя бы потому что широта и долгота это числа с плавающей запятой и они должны быть очень высокоточными. К тому же, казалось бы, широта и долгота могут быть представлены в виде сетки, но на самом деле нет, не могут, просто потому что Земля не плоская, а математика - это сложная наука.
➡️ Читать дальше
↪️ Redis for Geospatial Data whitepaper
Запуск Redis в Google Colab Python
@data_analysis_ml
