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

Анализ данных (Data analysis)

Kanalga Telegram’da o‘tish

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

Ko'proq ko'rsatish

Tarmoq: MachinelearningRossiya11 791Texnologiyalar & Aralashmalar2 572...

📈 Telegram kanali Анализ данных (Data analysis) analitikasi

Анализ данных (Data analysis) (@data_analysis_ml) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 51 965 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 572-o'rinni va Rossiya mintaqasida 11 791-o'rinni egallagan.

📊 Auditoriya ko‘rsatkichlari va dinamika

невідомо sanasidan buyon loyiha tez o‘sib, 51 965 obunachiga ega bo‘ldi.

11 Noyabr, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 579 ga, so‘nggi 24 soatda esa 16 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.

Tasdiqlash holati: Tasdiqlanmagan
Jalb etish (ER): Auditoriya o‘rtacha 11.39% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 8.64% ini tashkil etuvchi reaksiyalarni to‘playdi.
Post qamrovi: Har bir post o‘rtacha 5 921 marta ko‘riladi; birinchi sutkada odatda 4 493 ta ko‘rish yig‘iladi.
Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 242 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 12 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.

51 965

Obunachilar

+1624 soatlar

+557 kun

+57930 kun

5 921

Post ko'rishlar

~ 4 49324 soatlar

~ 4 95548 soatlar

11.39%

Muloqot nisbati

~ 6

Kuniga postlar

Ads index

Postlar arxiv

51 961

🖥 Mesop — Python фреймворк для быстрого создания UI для LLM-приложений и не только Особенности Mesop: — UI пишется очень идиоматично и лаконично — масса готовых компонентов, просто plug-and-play — поддержка горячей перезагрузки, когда браузер сам обновляет UI по мере написания; при этом сохраняется состояние — можно работать с готовым UI как с простым наборов функций Python 🖥 GitHub @data_analysis_ml

51 961

Live-интенсив: разбираем тестовое задание в OZON на junior-аналитика! 🔥 Мы знаем, что разбор тестовых заданий - ваш любимый формат. Поэтому мы приглашаем вас на интенсив, где мы в прямом эфире будем разбирать настоящее тестовое задание в OZON на аналитика данных! Собираемся в прямом эфире 25 июня (вт) в 19:00 (Мск). Ссылка на трансляцию придет в бота, записывайтесь! 👉🏻 Записаться на live-интенсив 👈🏻 Что будем делать на интенсиве: ◾️ Проанализируем заказы пользователей по retention, времени доставки, сумме заказа т.д. ◾️ Научимся легко генерировать большой DataFrame с синтетическими данными ◾️ Посчитаем описательные статистики ◾️ Изучим полезные фичи Pandas: apply, map, pct_change и др. ◾️ Построим интерактивные графики с помощью plotly ◾️ Научимся строить и читать необычные графики - например, violinplot Вебинар подойдет даже если вы только-только начинаете свой путь в аналитике - будем разбирать все по шагам понятным языком 🧡 Короче, ждем всех – будет мега-круто! 👉🏻 Записаться на live-интенсив 👈🏻 Реклама. ООО «АЙТИ РЕЗЮМЕ». ИНН 4025460134. Erid:LjN8KVug9

51 961

🌟 DataComp-LM — комплексный фреймворк, предназначенный для построения и обучения LLM на различных наборах данных DataComp-LM предлагает стандартизированный набор из более чем 300Т нефильтрованных лексем из CommonCrawl, эффективные рецепты предварительного обучения на основе фреймворка open_lm и большой набор из более чем 50 бенчмарков. DCLM позволяет исследователям экспериментировать с различными стратегиями построения наборов данных в различных вычислительных масштабах, от 411M до 7B моделей с параметрами. 🖥 GitHub 🟡 Arxiv @data_analysis_ml

51 961

🐹 В интернете только и разговоров, что о тапанье хомяка. Превратятся ли игровые монетки в криптоденьги, пока сказать сложно. Но уже понятно, что будущее — за цифровыми валютами. Чтобы развивать новые финансовые технологии, рынку нужны аналитики данных в финтехе. Они наиболее востребованы в сфере блокчейн-разработок, big data и цифровых валют, в госструктурах, банках и инвестиционных компаниях. Как раз таких специалистов готовят в онлайн-магистратуре МФТИ и Нетологии «Финансовые технологии и аналитика». Вы на практике научитесь анализировать и обрабатывать big data, работать с базами данных, строить финансовые модели, применять ИИ и ML-алгоритмы. В качестве дипломной работы сможете выбрать классическую диссертацию или разработать новое финтех-решение — корпоративный проект на основе кейса либо собственный стартап. А если оформить ООО для стартапа, можно получить финансирование от фондов и акселераторов. Узнайте больше о программе и начните строить карьеру в перспективной сфере: https://netolo.gy/dfu6 Реклама. ООО "Нетология". Erid: 2VSb5weeNrU

51 961

🌟 σ-GPT — новый взгляд на авторегрессионные модели GPT генерируют последовательности в порядке слева направо. Возможно ли по-другому? Arnaud Pannatier и его коллеги разработали σ-GPT, способный генерировать последовательности в любом порядке, динамически выбираемом во время вывода. 🟡 Arxiv 🖥 GitHub @data_analysis_ml

51 961

🌟 BM25S — очень быстрая реализация алгоритма BM25 на чистом Python — pip install bm25s[full] Это сверхбыстрая библиотека лексического поиска, реализующая BM25 с помощью Scipy (ускорение до 500 раз). BM25S построена исключительно на Numpy и Scipy, с дополнительными зависимостями для stemming и selection, а также интеграцией с Huggingface Hub, позволяющей вам легко делиться и использовать другие индексы BM25. Благодаря минимальному количеству зависимостей bm25s позволяет сделать все внутри Python всего за несколько строк. BM25S позволяет достичь скорости, сравнимой или превышающей скорость ElasticSearch, при этом отпадает необходимость в настройке веб-серверов, установке и запуске Java и использовании абстрактных API. На графике — относительное ускорение BM25S и Elastic по отношению к rank-bm25, самой популярной реализации BM25 на Python. Скорость рассчитывается как отношение количества запросов в секунду по отношению к rank-bm25. 🖥 GitHub 🤗 Hugging Face @data_analysis_ml

51 961

⚡️Лучший способ получать свежие обновлении и следить за трендами в разработке на вашем языке. Находите свой стек и подписывайтесь: C#: t.me/csharp_ci Машинное обучение: t.me/ai_machinelearning_big_data АНАЛИЗ Данных: t.me/data_analysis_ml Хакинг: t.me/linuxkalii Linux: t.me/linuxacademiya Базы данных: t.me/sqlhub C++ t.me/cpluspluc Golang: t.me/Golang_google Java: t.me/javatg React: t.me/react_tg Javascript: t.me/javascriptv Мобильная разработка: t.me/mobdevelop Docker: t.me/+0WdB4uvOwCY0Mjdi Python: t.me/pythonl Rust: t.me/rust_code PHP: t.me/phpshka Android: t.me/android_its Big Data: t.me/bigdatai Devops: t.me/devOPSitsec Собеседования МЛ: t.me/machinelearning_interview Python подготовка с собесу: t.me/python_job_interview МАТЕМАТИКА: t.me/data_math 💼 Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy Папка ML: https://t.me/addlist/2Ls-snqEeytkMDgy C++ папка: https://t.me/addlist/CdBs5DLepLJmZjY6 C# папка: https://t.me/addlist/u15AMycxRMowZmRi Java папка: https://t.me/addlist/ZM3J6oFNAnRlNWU6 FRONTEND папка: https://t.me/addlist/mzMMG3RPZhY2M2Iy Linux папка: https://t.me/addlist/w4Doot-XBG4xNzYy 😆ИТ-Мемы: t.me/memes_prog 🇬🇧Английский: t.me/english_forprogrammers 🧠ИИ: t.me/vistehno 📕Ит-книги бесплатно: https://t.me/addlist/BkskQciUW_FhNjEy

51 961

🌟 Hamilton — библиотека Python для создания направленных ациклических графов (DAG), визуализирующих потоки данных — pip install sf-hamilton Чтобы создать граф при помощи Hamilton, ничего особенного не требуется: нужно просто писать обычные функции Python, которые указывают свои зависимости с помощью параметров. Как раз по этим параметрам Hamilton и построит граф, по которому можно легко увидеть, как преобразуются данные и передаются из одной функции в другую Hamilton может быть очень полезным инструментом при работе с большими конвейерами данных и в ML-системах 🖥 GitHub 🟡 Доки 🟡 Затестить Hamilton онлайн @data_analysis_ml

51 961

🌟 Эти 94 строки кода — всё, что нужно для обучения нейросети Всё остальное — просто для повышения эффективности и т.д. Это код engine.py из проекта Micrograd. Micrograd – это небольшая реализация нейронной сети от Карпати, написанная на чистом Python без библиотек, в которой вычислительными единицами выступают не векторы и матрицы, а скалярные величины. Micrograd представляет из себя комбинацию нескольких взаимодополняющих частей: — небольшого построителя и оценивателя выражений на основе графа; — автоматической дифференциации в обратном режиме для того же самого графа вычислений; — строительных блоков нейронной сети для многослойного перцептрона 🖥 Код со скрина из micrograd 🟡 Пошаговое создание micrograd 🟡 Пост Андрея Карпати в X @data_analysis_ml

51 961

🌟 Lux.jl — фреймворк Julia для Deep Learning — import Pkg; Pkg.add("Lux") Lux бесшовно интегрируется с CUDA и AMDGPU, также поддерживается экспериментальная поддержка Metal Hardware. Фреймворк используется по умолчанию во многих пакетов SciML, включая DiffEqFlux.jl, NeuralPDE.jl и другие. Lux изначально поддерживает произвольные типы параметров, что делает его совместимым с другими пакетами Julia (и даже с пакетами, не относящимися к Julia). 🖥 GitHub 🟡 Примеры использования 🟡 Доки @data_analysis_ml

51 961

Цифры без бизнеса — это математика. Бизнес без цифр — это авантюра. Цифры в основе бизнеса — это анализ данных. Аналитик данных собирает, анализирует, структурирует данные — и благодаря этому помогает бизнесу решать проблемы и принимать важные решения. Поэтому профессия входит в топ-5 на рынке. Стать аналитиком данных за 5 месяцев вы можете на курсе от онлайн-школы KARPOV.COURSES. Вас всему научат с нуля. Преподаватели — практикующие спецы, которые знают, какие навыки нужны для успешной карьеры, поэтому обучение включает в себя и теорию, и отработку знаний на практических задачах. На курсе вы: 🔹Освоите Python и SQL; 🔹Научитесь визуализировать данные; 🔹Освоите теорию вероятности, статистику и A/B тесты; 🔹Сформируете продуктовое видение и понимание бизнеса и продукта. Школа поможет вам с трудоустройством: подготовить резюме и получить первый оффер. Как показывает статистика, 89% студентов уже нашли интересную работу. Присоединяйтесь к курсу со скидкой 5% по промокоду DAMML до 30.06.2024: https://clc.to/erid_LjN8JwdhF

51 961

🌟 TabuLa-8B — LLM, созданная на основе Llama 3-8B для генерации табличных данных TabuLa-8B обучена на корпусе TabLib. Модель подробно описана в статье "Large Scale Transfer Learning for Tabular Data through Language Modeling". 🤗 Hugging Face 🟡 Arxiv @data_analysis_ml

51 961

🌟 PySR — open-source инструмент для высокопроизводительной символьной регрессии на Python и Julia — pip install pysr PySR создан для решения задачи символьной регрессии, т.е. для нахождения интерпретируемого символьного выражения, которое корректно описывает наблюдаемые данные. PySR был разработан с нуля, чтобы быть (1) как можно более высокопроизводительным, (2) как можно более настраиваемым, гибким и (3) простым в использовании. Параллельно с PySR развивается библиотека Julia SymbolicRegression.jl, которая отвечает за нагруженные компоненты PySR, в частности за алгортм поиска. 🖥 GitHub @data_analysis_ml

51 961

🔹 Как осуществлять технический анализ финансовых рынков? Расскажем на открытом уроке от Otus, посвященный курсу «ML для финансового анализа», 24 июня в 20:00. ✅ В течении часа рассмотрим основные инструменты и техники, используемые на финансовых рынках. Рассмотрим основы технического анализа: что такое технический анализ и почему это важный навык для всех, кто работает на рынках. Научитесь читать и интерпретировать различные типы торговых графиков, включая линейные, столбчатые и свечные графики. ✅ Познакомьтесь с основными индикаторами, такими как скользящие средние, RSI и MACD, и узнайте, как они используются для определения тенденций и разворотов. Оставляйте заявку на курс «ML для финансового анализа» и создайте торгового робота для автоматического проведения операций с оценкой уровня риска 👉 Регистрация на урок и подробности: https://otus.pw/LbG8/?erid=LjN8KJ52V

51 961

🖥 Daft — фреймворк для ETL, аналитики и ML/AI в нагруженных системах — pip install getdaft Daft — это распределенный движок запросов для обработки больших данных на Python; реализован на Rust. Многие идеи Daft позаимствовал из Apache Arrow In-Memory Особенности Daft — встроенный мощный оптимизатор переписывает запросы, чтобы сделать их максимально эффективными — есть полная интеграция с такими системами как Apache Iceberg — имеется поддержка изображений, URL, тензоров и других самых разных объектов — рекордная производительность ввода-вывода для интеграции с облачным хранилищем S3 🖥 GitHub 🟡 Доки @data_analysis_ml

51 961

Repost from Python/ django

⚡ BM25, библиотеку быстрого лексического поиска! BM25 —семейство функций ранжирования документов, которые оценивают число ключевых запросов в каждом из документов. 🏎️ В 500 раз быстрее, чем самая популярная библиотека Python lib, соответствует. 🤗 Первая библиотека BM25, напрямую интегрированная с huggingface. pip install bm25s ▪ Github @pythonl

51 961

⚡️ HelpSteer2 — открытый датасет от Nvidia На днях Nvidia выкатили HelpSteer2, который позволяет сделать модели фактологически корректными и последовательными, плюс регулирует сложность и многословность их ответов. При обучении базовой Llama 3 70B на HelpSteer2 модель достигает 88.8% в RewardBench, что делает ее 4-й лучшей Reward-моделью на текущий момент 🤗 Hugging Face @data_analysis_ml

51 961

🌟 TextGrad — open-source фреймворк для реализации обратного распространения, опирающегося на текстовую обратную связь — pip install textgrad TextGrad может оптимизировать неструктурированные переменные, такие как текст. Пусть у нас есть исходное решение математической задачи, мы хотим, чтобы это решение выглядело лучше. Вот как можно реализовать это в коде с помощью TextGrad и GPT-4o:

tg.set_backward_engine("gpt-4o")

initial_solution = """To solve the equation 3x^2 - 7x + 2 = 0, we use the quadratic formula:
x = (-b ± √(b^2 - 4ac)) / 2a
a = 3, b = -7, c = 2
x = (7 ± √((-7)^2 - 4 * 3(2))) / 6
x = (7 ± √(7^3) / 6
The solutions are:
x1 = (7 + √73)
x2 = (7 - √73)"""

# Define the variable to optimize, let requires_grad=True to enable gradient computation
solution = tg.Variable(initial_solution,
                       requires_grad=True,
                       role_description="solution to the math question")

# Define the optimizer, let the optimizer know which variables to optimize, and run the loss function

loss_fn = tg.TextLoss("You will evaluate a solution to a math question. Do not attempt to solve it yourself, do not give a solution, only identify errors. Be super concise.")

optimizer = tg.TGD(parameters=[solution])
loss = loss_fn(solution)

🖥 GitHub 🟡 Colab с примерами примитивов TextGrad 🟡 Arxiv @data_analysis_ml

51 961

В следующий раз, когда будете выбирать бенчмарки для оценки модели, ознакомьтесь с этой корреляционной матрицей из статьи MixEval. Удобно смотреть производительность чат-ботов на арене, идеально подходит для поиска чат-ботов общего назначения. 🌀 MixEval: https://mixeval.github.io

51 961

🌟 d3rlpy — библиотека Python, предоставляющая реализации алгоритмов Deep Learning — pip install d3rlpy d3rlpy уделяет большое внимание простоте использования; эта библиотека предназначена не только для исследователей, но и для практиков, работающих над обычными проектами. 🖥 GitHub 🟡 Доки 🟡 Arxiv @data_analysis_ml