Endi mavjud! Telegram Tadqiqoti 2025 — yilning asosiy insaytlari 
Математика Дата саентиста
Kanalga Telegram’da o‘tish
@workakkk - админ @data_analysis_ml - ds https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946
Ko'proq ko'rsatish📈 Telegram kanali Математика Дата саентиста analitikasi
Математика Дата саентиста (@data_math) Rus til segmentidagi kanali faol ishtirokchi. Hozirda hamjamiyat 14 054 obunachidan iborat bo'lib, Texnologiyalar & Aralashmalar toifasida 9 178-o'rinni va Rossiya mintaqasida 47 284-o'rinni egallagan.
📊 Auditoriya ko‘rsatkichlari va dinamika
невідомо sanasidan buyon loyiha tez o‘sib, 14 054 obunachiga ega bo‘ldi.
20 Iyun, 2026 dagi oxirgi ma’lumotlarga ko‘ra kanal barqaror faollikka ega. Oxirgi 30 kunda obunachilar soni -44 ga, so‘nggi 24 soatda esa 2 ga o‘zgardi va umumiy qamrov yuqori darajada qolmoqda.
- Tasdiqlash holati: Tasdiqlanmagan
- Jalb etish (ER): Auditoriya o‘rtacha 18.28% darajada jalb etiladi. Nashrdan keyingi dastlabki 24 soatda kontent odatda umumiy obunachilar sonining 6.82% ini tashkil etuvchi reaksiyalarni to‘playdi.
- Post qamrovi: Har bir post o‘rtacha 2 569 marta ko‘riladi; birinchi sutkada odatda 958 ta ko‘rish yig‘iladi.
- Reaksiyalar va o‘zaro ta’sir: Auditoriya faol: har bir postga o‘rtacha 52 ta reaksiya keladi.
- Tematik yo‘nalishlar: Kontent llm, программирование, параметр, визуализация, stepik kabi asosiy mavzularga jamlangan.
📝 Tavsif va kontent siyosati
Muallif resursni shaxsiy fikrni ifoda etish maydoni sifatida ta’riflaydi:
“@workakkk - админ
@data_analysis_ml - ds
https://gosuslugi.ru/snet/67b55bb01a1c5a6fb6ecc946”
Yuqori yangilanish chastotasi (oxirgi ma’lumot 21 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.
14 054
Obunachilar
+224 soatlar
+77 kunlar
-4430 kunlar
Postlar arxiv
Курс по соревновательному Data Science👨💻
🏆 Хочешь покорить Kaggle и научиться выигрывать соревнования по анализу данных? Тогда курс "Введение в соревновательный Data Science" - это именно то, что тебе нужно!
🎯 В отличие от большинства курсов по машинному обучению, этот курс сконцентрирован на практике, а не на теории. Поэтому на нем будет более 200 практических заданий, интервью с Kaggle Grand Masters и, конечно же, внутренние соревнования для отработки техник.
⚡️В программе курса тебя ждет:
* Продвинутая работа с pandas и numpy
* Генерация, визуализация и фильтрация признаков
* Модуль про SOTA градиентные бустинги и то как их тюнить
* Стекинг и блендинг моделей
* Ускорение вычислений и оптимизация памяти
* Парсинг данных из открытых источников
* Работа с Kaggle Api и различными облачными вычислительными сервисам
* Нейронки для табличных данных
* Интервью с Kaggle Grand Masters и многое другое
🚀 Еще ребята проводят еженедельные открытые вебинары, на которых разбирают решения победителей с чемпионатов, делают обзоры предстоящих соревнование и рассказывают про необычные техники, с которыми сталкиваются на практике.
🔗 Записаться на курс и ознакомится с его подробной программой можно на странице курса. Так же подписывайся на их телеграмм канал, чтобы следить за новостями курса и открытыми вебинарами. Кстати, в закрепе канала ты найдешь промокод на 10%.
🐍Решение дифференциальных уравнений с Python
Дифференциальные уравнения — это мощный инструмент, который используется во многих областях науки и техники. От физики и химии до экономики и биологии, они предоставляют основу для моделирования различных процессов.
Дифференциальные уравнения описывают динамику системы, позволяя нам понять, как система меняется со временем или в ответ на различные воздействия.
Одной из ключевых библиотек, которую мы будем использовать, является SymPy.
SymPy — это библиотека Python для символьных математических вычислений, которая позволяет нам проводить аналитическое решение дифференциальных уравнений.
Для численного решения дифференциальных уравнений мы будем использовать библиотеку SciPy.
SciPy — это основная библиотека для научных вычислений в Python, которая предоставляет множество функций для численного решения дифференциальных уравнений, включая различные методы, такие как метод Эйлера и метод Рунге-Кутты.
• Чтобы начать работу с этими библиотеками, вам нужно их установить. Это можно сделать, используя менеджер пакетов Python pip:
pip install sympy scipy fipy matplotlib
• Читать дальше
Для обучения компьютерной математике исследователи объединяют подходы искусственного интеллекта
«Они будут говорить о единорогах, но забудут, что у них один рог, или расскажут вам историю, а после изменят детали», — рассказывает о больших языковых моделях (LLM — Large Language Model) Джейсон Рут из IBM Research.
Это больше, чем просто ошибки — LLM изо всех сил пытаются распознать свои ошибки, что ограничивает их производительность. Эта проблема не присуща системам искусственного интеллекта.
Модели машинного обучения, основанные на методе обучения с подкреплением, позволяют компьютерам учиться на своих ошибках и становиться вундеркиндами в таких играх, как шахматы и го. Хотя эти модели, как правило, более ограничены в своих возможностях, они представляют собой обучение такого рода, которого LLM еще не освоили.
«Не хочется создавать языковую модель, которая просто говорит как человек», — сказал Юхуай (Тони) Ву из Google AI. «Мы хотим, чтобы она понимала, о чем говорит».
Ву — соавтор двух недавних статей, где предлагается способ достижения этой цели. На первый взгляд, речь идет об очень конкретном приложении: обучении систем ИИ выполнять математические операции. В первой статье описывается обучение LLM переводу обычных математических выражений в формальный код, который компьютер может запускать и проверять. Во второй статье LLM обучили не только понимать математические задачи на естественном языке, но и решать их с помощью системы под названием Minerva.
В совокупности статьи предлагают форму будущей архитектуры ИИ, где LLM могут учиться рассуждать с помощью математического мышления.
«Есть глубокое обучение, обучение с подкреплением, AlphaGo, а теперь и языковые модели, — говорит об этом Сиддхартха Гэдгил, математик из Индийского института науки в Бангалоре, работающий с математическими системами ИИ. — Технология развивается во многих разных направлениях, и все они могут работать вместе».
📌 Читать дальше
С чего начать путь в Data Science?
Данных становится всё больше с каждым годом и компаниям нужны специалисты, умеющие работать с Big Data. Но как войти в сферу и пробиться на рынке труда?
Расскажем обо всем на бесплатном вебинаре «Как начать карьеру в Data Science».
Ведущие вебинара:
▪️Анатолий Карпов — основатель школы Data Science и разработки karpovꓸcourses, работал ведущим аналитиком в Mail.Ru, VK и JetBrains.
▪️Оксана Васильева — руководительница карьерного центра karpovꓸcourses, трудоустроевшего более 1500 учеников
На вебинаре вы узнаете:
- Как перейти в Data Science
- Как понять, какую профессию выбрать: аналитика данных или машинное обучение
- Как пробиться на рынке и получить первый оффер и опыт
- С чего начать погружение в профессию
Вебинар пройдет 8 августа в 19.00.
Постройте карьерный трек в Data Science вместе с нами!
Регистрируйтесь по ссылке!
🔥 Бесплатный курс: Прикладная математика для машинного обучения
Курс направлен на студентов без математического бэкграунда. Будут изложены основные понятия необходимые для понимания методов, на которых строится машинное обучение и модели нейронных сетей. Также целью курса является разъяснить как могут быть преобразованы и представлены данные для последующего обучения моделей на них.
Курс состоит из 13 лекций и 13 семинаров. На лекциях излагаются теоретические основы перечисленных тем, с простыми примерами. На семинарах планируется разбор, демонстрация и практика применения программных реализаций и алгоритмов обозначенных теоретических объектов.
После освоения курса от слушателя ожидается в первую очередь понимание того, что из себя представляют как представлять свои данные численно, и как они обрабатываются моделями машинного обучения численно. Одновременно с этим, курс не ставит перед собой цель, обучить всех строгому выводу каждой формулы и каждой теоремы, только понимание требующееся для прикладного использования.
https://teach-in.ru/course/applied-mathematics-for-machine-learning/about
@data_math
Каким должен быть хороший ИТ-менеджер? 👨💻
Ищите ответ в новом выпуске подкаста «Техно.Логично» с экспертами Газпромбанка: ИТ-лидером платформы 5NT Одоном Шоймполовым и ИТ-лидером стримов Газпром Бонус, ГПБ Мобайл и Монетизация Тимуром Мухтаровым.
Гости подкаста рассказали, как:
🔷 Доверять команде и не бояться делегировать задачи
🔷 Практиковать микроменеджмент с умом
🔷 Не потерять авторитет в коллективе
🔷 Реагировать на ошибки разработчиков
🔷 Стать ИТ-лидером розничного стрима Газпромбанка
Выпуск уже доступен на YouTube и основных подкаст-платформах.
Подписывайтесь на подкаст «Техно.Логично» и следите за актуальными трендами российского финтеха!
Реклама Банк ГПБ (АО), ИНН: 7744001497 erid: LjN8K4iEd
Изучение красоты чистой математики новыми способами.
https://www.deepmind.com/blog/exploring-the-beauty-of-pure-mathematics-in-novel-ways
Аналитики данных — настоящие супергерои и занимают 1 место в рейтинге профессий с самым большим спросом на рынке труда до 2025 года (по данным Всемирного экономического форума).
Как стать таким нужным специалистом?
Приходите на бесплатный интенсив 18-19 июля, на котором вы:
— погрузитесь в рабочие будни аналитика
— узнаете о направлениях в аналитике и решите, какое подходит вам
— научитесь работать в Google Sheets как аналитик данных
А еще — поработаете руками, решите реальные бизнес-задачи и получите фидбэк от эксперта. За лучшее решение домашнего задания - мини-курс по аналитическому мышлению в подарок.
Регистрируйтесь БЕСПЛАТНО: https://go.skillfactory.ru/J4jZCw
Реклама ООО “Скилфэктори”
⚫️ Теория хаоса [видеоуроки]
1. Движение и детерминизм. Панта Рей
2. Векторные поля. Гонка лего
3. Немного механики. Яблоко и луна
4. Колебания
5. Бильярды. Бык Дюэма
6. Хаос и подкова. Смейл в Копакабане
7. Странные аттракторы. Эффект Бабочки
8. Статистика. Мельница лоренца
9. Хаотическая или нет Cовременные Исследования
Будущим аналитикам данных и специалистам по DS важно дружить с математикой. Если вы чувствуете, что нужно освежить знания и восполнить пробелы — пройдите курс от Яндекс Практикума.
Он подойдёт тем, кто учится анализу данных или проходит собеседования. Поможем подготовиться ко всем каверзным вопросам и претендовать на оффер в компании, где ценят знания математики.
Курс сделан для людей: не фундаментальный вузовский учебник, но и не научпоп.
◼️ Объясняем сложное простым языком, с примерами и иллюстрациями.
◼️ Вписываем практические задачи в бизнес-кейсы.
◼️ Объясняем, как абстрактные формулы связаны с анализом данных.
◼️ Разбираем типовые задачи из собеседований.
Вы не останетесь один на один с тервером, матаном и линалом. Опытные преподаватели математики всегда на связи в чате, чтобы объяснить непонятное.
Пройдите первый бесплатный урок
🎲 Вероятность и статистика
1. Переменные и метрики
2. Генераторы и Монте-Карло
3. ЗБЧ и ЦПТ
4. Монте-Карло: практика
5. Проверка гипотез и p-value
6. А/Б тесты: пропорции
7. А/Б тесты: непрерывные переменные
8. Множественная проверка гипотез
9. Ревью курса + вопросы и ответы
#video #math
🎞 Видео
Математика для Data Science: где и как учить?
В этом ролике автор поделится бесплатными ресурсами для изучения математики, необходимой для Data Science, и сделает их разбор.
00:00 Введение
00:34 Школьная математика
02:00 Статистика
03:00 Теория вероятностей
03:20 Линейная алгебра
04:07 Матанализ
05:00 Лучшие ресурсы
05:30 Создаем базу ресурсов вместе
Смотреть это видео на youtube: youtu.be/6ajAbghWzrs
Предварительная подготовка данных в Python [2 тома] [2023]
В двухтомнике представлены материалы по применению классических методов машинного обучения в различных промышленных задачах. Первый том посвящен инструментам Python – основным библиотекам, классам и функциям, необходимым для предварительной подготовки данных, построения моделей машинного обучения, выполнения различных стратегий валидации. В конце первого тома разбираются задачи с собеседований по SQL, Python, математической статистике и теории вероятностей. Во втором томе рассматривается сам процесс предварительной подготовки данных, а также некоторые метрики качества и ряд полезных библиотек и фреймворков (H2O, Dask, Docker, Google Colab).
Издание рассчитано на специалистов по анализу данных, а также может быть полезно широкому кругу специалистов, интересующихся машинным обучением.
📚 Книги
@data_math
🔘Что отличает обучение с подкреплением от основных методов машинного обучения? Погрузимся в историю RL и разберем отличительные особенности этого направления 3 июля в 20:00 мск на открытом уроке в OTUS.
Вебинар пройдет в рамках старта онлайн-курса «Reinforcement Learning» и будет полезен всем DS/ML/DL специалистам и IT-специалистам, которые хотят расширить свои знания в этой области.
💬На занятии мы:
— Рассмотрим RL с точки зрения вычислений и через призму поведенческих и когнитивных наук.
— Разберем классический пример многорукого бандита — автомата для казино
— Продемонстрируем возможности примитивного алгоритма RL в упрощенной среде.
— Обсудим самые знаковые приложения RL нашего времени.
👉Регистрация для участия https://otus.pw/vBWK/
📌Спикером выступит Андрей Маргерт, исследователь Машинного Обучения в Wageningen Research и преподаватель курса.
Не упустите возможность познакомиться с экспертом! После вебинара вы сможете продолжить обучение на курсе, доступном в рассрочку. Нативная интеграция подробная информация о продукте на сайте www.otus.ru
📎 Руководство по модулю Math Python (22 примера и 18 функций)
math - это встроенный модуль стандартной библиотеки Python 3, который предоставляет стандартные математические константы и функции. Модуль math можно использовать для выполнения различных математических вычислений, таких как числовые, тригонометрические, логарифмические и экспоненциальные вычисления.
В этой статье рассмотрены константы и функции, реализованные в модуле math с примерами кода
https://www.dataquest.io/blog/python-math-module-and-functions/
@data_math
Руководство по модулю Math Python (22 примера и 18 функций)
math - это встроенный модуль стандартной библиотеки Python 3, который предоставляет стандартные математические константы и функции. Модуль math можно использовать для выполнения различных математических вычислений, таких как числовые, тригонометрические, логарифмические и экспоненциальные вычисления.
В этом уроке мы рассмотрим общие константы и функции, реализованные в математическом модуле, и как их использовать.
Когда в интернете так много курсов, как выбрать тот, который поможет сделать буст в карьере или начать свой путь в Data Science?
Приходите на день открытых дверей, чтобы познакомиться со школой Data Science и разработки karpovꓸcourses, узнать как наши курсы выглядят изнутри, и почему стоит учиться у нас.
День открытых дверей проведет Анатолий Карпов — основатель karpovꓸcourses, ведущий аналитик с опытом работы в Mail.Ru, VK и JetBrains, а также автор тех самых курсов на Stepik.
Анатолий ответит на вопросы о старте карьеры, расскажет, как продолжать развиваться в Data Science и как школа karpovꓸcourses может помочь в этом.
Обязательно регистрируйтесь, ведь в прямом эфире мы разыграем сертификат на 20 тысяч рублей на обучение на любой из программ и карьерные консультации.
Встречаемся 5 июля в 19.00 по мск
[Зарегистрироваться и принять участие в конкурсе]
Project Euler — платформа с математическими задачами для развития навыков программирования
Здесь вы найдёте более 700 математических задачек, требующих творческого подхода и использования программирования для успешного решения
Сервис отличается от многих других (таких как Codewars) тем, что здесь встречаются математическое мышление и кодинг
Стоимость: #бесплатно
#code #алгоритмы #математика
📌 Изучение линейной алгебры и матричных методов от MIT.
Курс покрывает все необходимые основы для работы с матрицами, включая SVD-разложение, backpropagation, градиентный спуск и даже первоначальные модели нейронных сетей, которые могут быть спрошены на собеседовании. В конце курса также представлены некоторые примеры работы с сигналами. Хотя курсы пересекаются в некоторых местах, это не является проблемой.
Посмотреть (линейная алгебра):
https://www.youtube.com/playlist?list=PL221E2BBF13BECF6C
Посмотреть (матричные методы):
https://www.youtube.com/playlist?list=PLUl4u3cNGP63oMNUHXqIUcrkS2PivhN3k
#линейнаяалгебра #база
@data_math
