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:📈 Telegram kanali Анализ данных (Data analysis) analitikasi
Анализ данных (Data analysis) (@data_analysis_ml) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 50 539 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 2 565-o'rinni va Rossiya mintaqasida 12 188-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 50 539 obunachiga ega bo‘ldi.
28 Avgust, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni 146 ga, so‘nggi 24 soatda esa 1 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 11.45% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 9.25% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 5 785 marta ko‘riladi; birinchi sutkada odatda 4 675 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 28 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 Avgust, 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.
50 539
Obunachilar
+124 soatlar
+387 kunlar
+14630 kunlar
Postlar arxiv
🌺 Релиз Ornith-1.0 - новое семейство open-source LLM, специализированных под agentic coding.
Ornith-1.0 выходит в разных размерах:
• 9B Dense
• 31B Dense
• 35B MoE
• 397B MoE
Модели показывают state-of-the-art результаты среди open-source моделей сопоставимого размера на coding-бенчмарках:
• Terminal-Bench 2.1 — 77.5
• SWE-Bench — 82.4 на verified, 62.2 на pro, 78.9 на Multilingual
• NL2Repo — 48.2
• SWE Atlas — 41.2 на QnA, 42.6 RF, 39.1 TW
• ClawEval — 77.1
Ornith-1.0 дообучали поверх Gemma 4 и Qwen 3.5.
Reinforcement learning используется не только для генерации решений, но и для создания task-specific scaffolds, которые направляют эти решения.
То есть модель совместно улучшает и «каркас» задачи, и итоговое решение. За счёт этого она генерирует более качественные ответы в agentic coding.
Все модели выпущены под MIT-лицензией, поэтому их можно использовать и в коммерческих, и в исследовательских проектах.
📖Tech Blog: http://deep-reinforce.com/ornith_1_0.html
🤗Huggingface: http://huggingface.co/collections/deepreinforce-ai/ornith-10
Google добавили computer use в Gemini 3.5 Flash.
Теперь модель может вызывать функции, а работать с интерфейсом как пользователь: видеть экран, понимать задачу, нажимать, проверять и продолжать действие.
Раньше computer use был отдельной моделью, теперь это часть основной Gemini Flash.
Отдельно добавили защиту: подтверждение чувствительных действий и остановку задач при подозрении на prompt injection.
https://blog.google/innovation-and-ai/models-and-research/gemini-models/introducing-computer-use-gemini-3-5-flash/
🖥 IBM показала технологию чипов ниже 1 нанометра.
Речь о 0,7 нм, или 7 ангстремах. Это уже масштаб, где индустрия упирается почти в атомные размеры.
В чипе представлена новая 3D-архитектура nanostack.
Вместо того чтобы просто уменьшать транзисторы, IBM предлагает укладывать их слоями и плотнее размещать внутри чипа.
Что обещают:
• почти 100 млрд транзисторов на чипе размером с ноготь
• до 50% больше производительности
• или до 70% выше энергоэффективность по сравнению с 2 нм
• более плотную SRAM для AI-нагрузок.
IBM говорит о пути к производству примерно в ближайшие 5 лет.
https://newsroom.ibm.com/2026-06-25-ibm-debuts-worlds-first-sub-1-nanometer-chip-technology
Qwen показали Qwen-AgentWorld - модель, которая учится симулировать среду, в которой агент действует.
Обычно LLM тренируют лучше пользоваться инструментами: искать, писать код, кликать по вебу, работать с терминалом.
А здесь идея другая: научить модель моделировать сами окружения.
Qwen-AgentWorld симулирует 7 типов агентных сред:
• MCP
• Search
• Terminal
• SWE
• Web
• OS
• Android
То есть модель пытается предсказывать, что произойдёт после действия агента в среде. Не пост-фактум адаптация, а цель обучения с первого дня.
Если языковая модель умеет моделировать окружение, её можно использовать как тренировочную площадку для агентов.
Авторы идут по двум направлениям:
1. построить foundation model для симуляции сред
2. проверить, усиливает ли world modeling обучение агентов
Самое интересное: по их данным, agentic RL в контролируемой симуляции может быть эффективнее, чем обучение в реальных средах. А предварительное обучение на предсказание окружений усиливает агентов даже без отдельного agent-specific fine-tuning.
Грубо говоря, это шаг к «тренажёру реальности» для AI-агентов.
Paper: https://arxiv.org/abs/2606.24597
Blog: https://qwen.ai/blog?id=qwen-agentworld
GitHub: https://github.com/QwenLM/Qwen-AgentWorld
HuggingFace: https://huggingface.co/collections/Qwen/qwen-agentworld
ModelScope: https://modelscope.cn/collections/Qwen/Qwen-AgentWorld
Почему разрыв между академическим ML и реальными задачами до сих пор существует — и как его сокращают Авито, МФТИ и ВШЭ
Авито открыл набор на три магистратуры с МФТИ и ВШЭ — программы, построенные на реальных задачах компании.
Суть простая: бизнес зашёл в университет не деньгами, а экспертизой. В разработке участвовало 300+ сотрудников, преподают действующие специалисты.
Дальше всё так:
• Студент с первого дня работает с кейсами живых продуктов, а не с учебными датасетами.
• Выпускник выходит с опытом, который обычно нарабатывают первые полгода на позиции.
Три направления: «Прикладное машинное обучение и анализ данных» с МФТИ, «Машинное обучение в цифровом продукте» с ФКН ВШЭ и «Управление продуктом в IT-бизнесе» с ВШБ ВШЭ — для продактов, с прицелом на уровень middle.
Поступить можно из любого региона России.
Подробнее по ссылкам:
МФТИ
ВШЭ (ML)
ВШЭ (продакт)
+1Anthropic утверждает: Alibaba продолжает в больших масштабах дистиллировать Claude для обучения Qwen. Источник - Bloomberg.
Anthropic обвиняет операторов, связанных с Alibaba, в масштабной кампании по незаконному доступу к Claude через почти 25 000 фейковых аккаунтов.
По данным Bloomberg, Anthropic заявляет, что в рамках этой кампании с апреля по июнь было сгенерировано 28,8 млн обменов с Claude. Целью были способности вроде software engineering и agentic reasoning.
Компания считает это частью более широкой схемы «adversarial distillation», когда китайские лаборатории якобы собирают ответы американских frontier-моделей, чтобы обучать конкурирующие системы за гораздо меньшие деньги.
Посмотрим, насколько хорошим будет Qwen 3.8. Возможно, он окажется FABLEous хорош.
https://www.bloomberg.com/news/articles/2026-06-24/anthropic-accuses-alibaba-of-illicitly-accessing-its-ai-models
Repost from Machinelearning
📌 WSJ: коммерческие сделки OpenAI связаны с ростом личных инвестиций Сэма Альтмана
The Wall Street Journal со ссылкой на судебные документы, ставшие публичными в ходе процесса "Маск против OpenAI", опубликовала расследование о том, что контракты OpenAI повышали оценку стартапов, в которые лично вкладывается Сэм Альтман.
Для контекста: Альтман не владеет долей в самой OpenAI, поэтому его доходы зависят от внешних инвестиций.🟡Механизм OpenAI заключает контракт или соглашение о сотрудничестве, что поднимает оценку стартапа. Затем крупные акционеры OpenAI (например, Thrive Capital) или партнёры (SoftBank) выкупают доли стартапа, от чего личное состояние Альтмана растёт, так как он является их инвестором. 🟡Helion В 2025 году Сэм предлагал OpenAI вложить около $500 млн в термоядерный стартап Helion. Часть сотрудников восприняла идею с настороженностью, и от прямых инвестиций компания отказалась. В марте 2026 года стороны подписали пересмотренное соглашение о сотрудничестве и тогда же Альтман вышел из совета директоров Helion, объяснив это конфликтом интересов. В июне 2026 года Helion оценили в $15,5 млрд, а личная доля Альтмана выросла как минимум до $4,1 млрд. 🟡Cerebras После того как производитель чипов получил от OpenAI обязательство о закупках и провёл IPO, стоимость доли Альтмана выросла более чем в 6 раз по сравнению с декабрём 2025 года. 🟡Retro Biosciences После соглашения о научном сотрудничестве с OpenAI доля Альтмана в этой компании по продлению жизни к декабрю 2025 года достигла $258 млн.
Всего, по данным WSJ, не менее 10 компаний из инвестиционного портфеля Альтмана имеют сделки с OpenAI.🟡На это обратили внимание власти Комитет Палаты представителей США по надзору начал официальное расследование, а генеральные прокуроры нескольких штатов призвали Комиссию по ценным бумагам и биржам проверить деятельность главы OpenAI в преддверии IPO.
Сам Альтман и представители компаний называют сотрудничество обычной практикой.@ai_machinelearning_big_data #news #ai #ml
Лето — время начать: освойте Data Science на выгодных условиях
Хотите не просто теоретически разбираться в устройстве нейросетей, а уметь создавать их самостоятельно? Центр непрерывного образования ФКН НИУ ВШЭ предлагает присоединиться к структурированному и выстроенному практикующими экспертами обучению науке о данных.
Станьте специалистом по Data Science высокого уровня:
🟣первая программа профессиональной переподготовки, получившая аккредитацию Альянса в сфере искусственного интеллекта;
🟣вы пройдете весь путь: от высшей математики и программирования до нейросетей и работы с большими данными.
Программа включает курсы по ключевым дисциплинам:
🟣Математика для анализа данных;
🟣Алгоритмы и структуры данных;
🟣Программирование и автоматизация;
🟣Прикладная статистика для машинного обучения;
🟣Машинное и глубинное обучение.
Специальное предложение для тех, кто запишется на ближайший запуск:
⭐️ Скидка 10% на обучение
⭐️ Курс по BI в подарок
📁Старт: 30 июня.
Подробнее о программе 📍
NVIDIA CUDA-Q всё сильнее становится мостом между квантовыми вычислениями и реальными задачами.
Рабочий квантовый компьютер появится не сам по себе, а через гибридный подход, где QPU работают вместе с GPU-ускоренной симуляцией.
Уже сейчас экосистема двигается в эту сторону:
• Aegiq и Quantum Motion развивают quantum chemistry workflows
• Classiq использует CUDA-Q для поиска квантовых применений в финансах
• FirstQFM показал quantum foundation models на суперкомпьютере Leonardo
• Eclipse Qrisp, Fraunhofer FOKUS и Qilimanjaro строят свои решения вокруг CUDA-Q
• qBraid стал CUDA-Q target и расширяет доступ к разным QPU-провайдерам
• QCentroid делает QuantumOps workflows на CUDA-Q
• Welinq соединяет distributed quantum compiler с GPU-ускоренной проверкой схем
Гибридные workloads, GPU-симуляция, QPU-доступ и инструменты разработки - именно так квантовая индустрия будет двигаться к практической пользе.
https://developer.nvidia.com/cuda-q
Самый быстрый запрос — тот, который не пришлось выполнять ✌️
Именно поэтому Redis давно стал одним из основных инструментов для ускорения приложений и снижения нагрузки на базы данных.
Но вместе с производительностью появляются новые вопросы: как работать с устаревшими данными, правильно инвалидировать кэш и не превратить ускорение системы в источник новых проблем?Об этом поговорят на вебинаре Cloud.ru — «Эволюция приложения в облаке: как настроить кэш с Redis и ничего не сломать». 📌 30 июня, 11:00 МСК Эксперты разберут:
▶️
реальные сценарии использования Redis
▶️
стратегии кэширования
▶️
типичные ошибки, которые встречаются даже в зрелых системах👉Зарегистрироваться👈
А если вы пропустили предыдущие «серии» — они доступны по ссылкам:
1️⃣
Эволюция приложения в облаке: как навести порядок в артефактах и образах
2️⃣
Эволюция приложения в облаке: как запустить микросервисы в Managed Kubernetes
3️⃣
Эволюция приложения в облаке: как обеспечить стабильность баз данных при росте проекта и нагрузок
OpenAI теперь идёт не только в модели, но и в железо.
Компания вместе с Broadcom представила Jalapeño — первый собственный AI-чип для инференса LLM. Его задача простая: быстрее, дешевле и стабильнее запускать ChatGPT, Codex, API и будущих AI-агентов.
Главное: чип сделали от идеи до tape-out всего за 9 месяцев, а в разработке помогали сами модели OpenAI.
Это уже не просто гонка моделей. Это гонка полной AI-инфраструктуры: чипы, сеть, дата-центры, софт и продукты в одной связке.
https://openai.com/index/openai-broadcom-jalapeno-inference-chip/
Repost from 📚Python Books
Один из лучших вводных материалов по прикладной линейной алгебре, который мне попадался.
Этот курс объясняет векторы, матрицы и метод наименьших квадратов с самых основ, а затем связывает их с реальными задачами:
• подгонка данных
• машинное обучение
• оптимизация
• обработка изображений
• системы управления
Это материал, который можно рекомендовать студентам, инженерам и всем, кто хочет понять математический фундамент современной data science.
PDF: http://web.stanford.edu/~boyd/vmls/vmls.pdf
LLM в поддержке: от шаблонов к точной работе с документами компании
✅ На открытом уроке разберём, как устроены современные решения на базе LLM, почему они не просто генерируют текст, а используют знания компании для подготовки ответов, и как такие инструменты помогают ускорять обработку обращений.
На практических примерах покажем, как документы превращаются в базу знаний для ИИ, как происходит поиск информации по запросу клиента и каким образом LLM помогает оператору поддержки готовить ответы. Также поговорим о том, как подобные решения применяются в бизнесе уже сегодня.
Урок пройдёт 6 июля в 20:00 МСК в преддверии старта курса «LLM-инженер». Это возможность познакомиться с современным подходом к созданию интеллектуальных сервисов, задать вопросы эксперту и понять, как внедрять подобные решения в реальные процессы компании.
➡️ Регистрация открыта: https://otus.pw/Jafm/?erid=2W5zFHM9zVf
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
+1Oracle сократила штат на 13% за последние 12 месяцев и в годовом отчёте за понедельник упомянула внедрение AI как одну из причин.
Численность сотрудников Oracle снизилась со 162 000 до 141 000 человек.
Это сокращение на 13%, которое компания напрямую связала с внедрением AI в свои операционные процессы.
При этом расходы Oracle на реструктуризацию выросли до $1,8 млрд против $374 млн ранее.
Капитальные затраты увеличились на 162% и достигли $55,7 млрд.
Свободный денежный поток упал до минус $23,7 млрд.
Источник: официальный SEC 10-K компании Oracle
d18rn0p25nwr6d.cloudfront.net/CIK-0001341439/0723dfa7-be5f-4227-9da6-eff3cce376a8.pdf
Anthropic анонсировала Claude Tag - новый способ для команд работать с Claude прямо в Slack.
Суть простая: Claude подключается к рабочему пространству как полноценный участник команды.
Вы сами выбираете, к каким каналам и инструментам у него будет доступ.
Дальше всё так:
• вы отмечаете Claude в переписке, ставите задачу и продолжаете заниматься своими делами.
• Claude выполняет поручение асинхронно, не ломая рабочий поток команды.
Claude Tag вырос из Claude Code, но стал более проактивным и командным инструментом.
По словам компании, 65% кода продуктовой команды создаётся через внутреннюю версию Claude Tag.
https://www.anthropic.com/news/introducing-claude-tag
⚡️ 1-bit GLM-5.2 GGUF против Claude 4.8 Opus и GPT-5.5.
Авторы дали трём моделям один и тот же промпт и сравнили ответы в режиме one-shot, без дополнительных уточнений и доработок.
1-bit GLM-5.2 GGUF запускалась локально на Mac Studio M3 Ultra с 256 ГБ RAM и выдавала около 21,6 токена в секунду.
Какой результат вам нравится больше?
GGUF: https://huggingface.co/unsloth/GLM-5.2-GGUF
Теперь на GitVerse — зеркало PyPI! ⚡️
Python‑пакеты переехали на российскую платформу для разработчиков GitVerse — теперь зависимости подтягиваются быстрее, а пайплайны не зависят от доступности внешнего PyPI.
Остаётся только выбрать: установить зеркало как основной источник или оставить как «страховку».
Гайд по подключению.
+1Anthropic, возможно, сама «запугала» рынок настолько, что в итоге попала под экспортный бан на ИИ.
В 2026 году 5 из каждых 1000 слов, которые использовала Anthropic, были связаны с рисками, регулированием или ограничениями.
Это в 8 раз больше, чем у Сэма Альтмана.
Сравнение употребления слов в заявлениях Anthropic и OpenAI:
«risk»: 336 против 30
«safeguard»: 121 против 33
«vulnerability»: 128 против 10
https://www.ft.com/content/16ace46c-aeac-40c9-8598-3c01fa4481cb
Выбираем железо для обучения и инференса моделей 🔝
Простая формула: чем больше у модели параметров, тем более мощное железо нужно для ее инференса. Найти решение для нейросетей разного масштаба можно в Selectel.
Более 15 моделей видеокарт — от RTX 4090 до B300 — доступны к аренде в облаке и на выделенных серверах. Облачные серверы подойдут для тех, кому нужна гибкость и быстрая масштабируемость, а выделенные — когда необходима физическая изоляция инфраструктуры, а нагрузки стабильные. Видеокарты в облаке можно арендовать даже на час, цена стартует от 5 рублей.
Выбирайте оптимальный сервер с GPU и арендуйте его от 5 рублей в час: https://slc.tl/aitoq
Реклама. АО "Селектел". erid:2W5zFJumeY9
