Data Scientist | ML & AI
Kanalga Telegram’da o‘tish
Один из ведущих каналов по Data Science, Machine Learning и Big Data Сотрудничество: @bape_ads Прайс: @bape_media
Ko'proq ko'rsatish3 169
Obunachilar
-524 soatlar
-137 kun
+9130 kun
Ma'lumotlar yuklanmoqda
O'xshash kanallar
Ma'lumot yo'q
Muammo bormi? Iltimos, sahifani yangilang yoki bizning qo'llab-quvvatlash boshqaruvchimizga murojaat qiling>.
Taglar buluti
Kirish va chiqish esdaliklari
---
---
---
---
---
---
Obunachilarni jalb qilish
Noyabr '26Noy '26
Noyabr '26
+26
2 kanalda
Oktabr '26
+161
18 kanalda
Get PRO
Sentabr '26
+97
31 kanalda
Get PRO
Avgust '26
+55
22 kanalda
Get PRO
Iyul '26
+269
15 kanalda
Get PRO
Iyun '26
+42
2 kanalda
Get PRO
May '26
+45
15 kanalda
Get PRO
Aprel '26
+97
48 kanalda
Get PRO
Mart '26
+37
0 kanalda
Get PRO
Fevral '26
+37
0 kanalda
Get PRO
Yanvar '26
+33
1 kanalda
Get PRO
Dekabr '25
+22
0 kanalda
Get PRO
Noyabr '25
+321
30 kanalda
Get PRO
Oktabr '25
+43
11 kanalda
Get PRO
Sentabr '25
+724
0 kanalda
Get PRO
Avgust '25
+41
1 kanalda
Get PRO
Iyul '25
+25
0 kanalda
Get PRO
Iyun '25
+42
0 kanalda
Get PRO
May '25
+658
1 kanalda
Get PRO
Aprel '25
+1 687
33 kanalda
| Sana | Obunachilarni jalb qilish | Esdaliklar | Kanallar | |
| 20 Noyabr | +2 | |||
| 19 Noyabr | 0 | |||
| 18 Noyabr | +1 | |||
| 17 Noyabr | +1 | |||
| 16 Noyabr | 0 | |||
| 15 Noyabr | 0 | |||
| 14 Noyabr | 0 | |||
| 13 Noyabr | 0 | |||
| 12 Noyabr | +2 | |||
| 11 Noyabr | 0 | |||
| 10 Noyabr | 0 | |||
| 09 Noyabr | 0 | |||
| 08 Noyabr | 0 | |||
| 07 Noyabr | +2 | |||
| 06 Noyabr | +6 | |||
| 05 Noyabr | +8 | |||
| 04 Noyabr | +2 | |||
| 03 Noyabr | 0 | |||
| 02 Noyabr | 0 | |||
| 01 Noyabr | +2 |
Kanal postlari
💾 Чем ИИ-агенты отличаются от обычных нейросетей?
В статье разобрали архитектуру агентных систем и их отличие от привычных LLM-чатботов.
Обычная модель генерирует ответ на запрос. ИИ-агент самостоятельно планирует действия, обращается к инструментам и API, обрабатывает ошибки и движется к поставленной цели.
Также рассматриваются автономность, стоимость вычислений, безопасность и ограничения агентных систем.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат
20 Noy, 06:00
| 2 | 🗂 Создаём интерактивные 3D-модели по одной фотографии
Исследователи разработали систему, которая превращает изображение в детализированный 3D-объект, сохраняя его внешний вид и добавляя физически правдоподобные движения.
Модель самостоятельно определяет подвижные соединения и деформируемые части. В тестах достигнуто 91,3% успешных действий на 50 объектах.
Технология пригодится для робототехники, физических симуляций и обучения ИИ-агентов.
⛓ GitHub | Paper
tags: #полезное
➡ Data Scientist | Чат | 264 |
| 3 | 📰 Какую нейросеть выбрать для работы: сравниваем GPT-6, Claude и Gemini
Нашли статью, в которой разобрали флагманские ИИ-модели осени 2026 года по производительности, стоимости и качеству решений.
Авторы протестировали Claude Opus 5.5, Sonnet 5.5, GPT-6 Astra и Gemini 3.1 Pro на шести практических заданиях: Python, SQL, рефакторинг, документация и анализ длинных текстов.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат | 297 |
| 4 | 🔴В 2026 году Россияне заработали 5,3 млрд рублей на арбитраже криптовалют
По данным Минфин 32% граждан покинули своё место работы поскольку в среднем уже в первый месяц смогли заработать 250 000 рублей, а через 2-3 месяца с легкостью вышли на семизначные числа.
Самое смешное, что лишь 8% россиян что-то слышали об этой профессии хотя все инструкции бесплатно лежат на канале Арбитраж Криптовалют
Там объясняют, как имея телефон и доступ в интернет заработать свои первые $3000. Причём разжёвывают так доступно, что поймёт даже ребенок. Кстати, на канале сегодня вышла новая рабочая связка!
Ссылка для входа — https://t.me/+C9XnmIBa_hI3M2Qy | 291 |
| 5 | 🔖 Бесплатный курс Гарварда по инженерии ML-систем
Большая образовательная программа по разработке, оптимизации и развёртыванию систем машинного обучения с практическими лабораторными и симуляторами.
Что внутри:
🔵 ML Systems — учебники по архитектуре и масштабированию ML-систем;
🔵 GPU и память — вычислительные ускорители, пропускная способность и KV-cache;
🔵 Inference — batching, квантование, latency и throughput;
🔵 TinyTorch — 20 модулей для создания ML-фреймворка с нуля;
🔵 MLSys·im — моделирование производительности оборудования и инфраструктуры;
🔵 Interactive Labs — эксперименты с параметрами ML-систем прямо в браузере;
🔵 StaffML — практика по системному проектированию ML-инфраструктуры;
🔵 Lecture Slides — слайды лекций и дополнительные учебные материалы.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 334 |
| 6 | Клиент нажал «Оплатить» - и ушёл?
Оплата не прошла с первого раза, нужного способа не нашлось, форма неудобная на телефоне - и покупатель закрывает вкладку. А когда у него вопрос по платежу, отвечать некому.
RollyPay принимает оплату в ботах, на сайтах и в Mini App так, чтобы до оплаты доходило больше людей:
• Каскадинг: если маршрут отклонил платёж, он сразу уходит следующим
• Современная платёжная форма, удобная с телефона
• Выбор способа: СБП, карты Visa / Mastercard / Мир, SberPay, T-Pay
• Криптовалюта - USDT, BTC, ETH, TON, более 20 сетей, от 1%
• СБП и карты - от 4%, плюс кэшбек в USDT с каждого платежа
• Быстрая поддержка для ваших покупателей, если с оплатой что-то пошло не так
Подключаем физлиц, самозанятых, ИП и компании. Быстрое подключение, поможем с интеграцией.
Подключение доступно быстро через сайт | 307 |
| 7 | 💾 Как улучшить распознавание речи на 20%: объединяем две ИИ-модели
В статье сравнили 32 конфигурации ASR-моделей, включая Whisper, GigaAM, Parakeet и Qwen3-ASR.
Лучшим компромиссом для русских встреч с IT-терминами оказался каскад GigaAM + Parakeet: первая модель распознаёт речь, вторая исправляет технические названия.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат | 380 |
| 8 | 🗂 Создаём собственную reasoning-модель с нуля
Себастьян Рашка открыл исходники практикума по разработке reasoning-моделей на основе Qwen3.
Внутри: 8 глав, Jupyter Notebook, упражнения, Chain-of-Thought, GRPO, Reinforcement Learning и дистилляция моделей.
Код доступен бесплатно на GitHub. Большую часть примеров можно запускать на обычном компьютере.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 421 |
| 9 | 📰 Какая видеокарта нужна для локального ИИ в 2026 году?
Нашли статью по подбору GPU для локального запуска языковых моделей, генерации изображений и работы с ИИ.
Автор сравнил семь видеокарт NVIDIA — от RTX 3060 до RTX 5090, оценив объём VRAM, пропускную способность памяти и скорость генерации токенов.
Также собрали таблицу подбора железа для чат-ботов, генерации кода, изображений, LoRA и многопользовательских ИИ-сервисов.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат | 477 |
| 10 | 🗂 Визуализируем любые датасеты одной строкой Python
Нашли бесплатную библиотеку, которая автоматически строит графики, анализирует распределения признаков, выявляет корреляции и помогает оценивать качество данных.
Поддерживает CSV, JSON, pandas и интерактивные визуализации. Для больших датасетов умеет использовать выборку.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 463 |
| 11 | Удалёнка с доходом от 70.000 для новичков
К счастью, еще не все поняли, где на самом деле будут все деньги в 2027 году.
Пока одни учат с помощью ИИ делать для бизнеса ненужные картинки и видео, другие решают реально важные задачи и зарабатывают на этом.
Ты можешь просто делать чат-ботов с ИИ без программирования и получать за это от 150.000 рублей в месяц с 3 проектов🔥
А в среднем, от 5.000р за простые заказы и от 25.000р за сложные на 5-6 часов работы ☝️
Клиентов полно, бизнесы постоянно ищут исполнителей на автоматизации.
В боте показываю, где их искать без опыта📲
Чтобы начать свой путь в нише надо:
1. Просто запустить бота по ссылке и забрать бесплатные уроки
2. Сделать 30-40к подработкой за первый месяц
3. Дорасти до 150.000 дохода уже через 3-4 месяца
Действуй, пока ссылка еще активна 👇
https://t.me/Alekseicoach_bot?start=testdrivetg491 | 329 |
| 12 | 🔖 Учимся понимать решения ML-моделей
На GitHub выложили open-source инструмент для интерпретации алгоритмов машинного обучения и анализа их предсказаний.
Что умеет:
🔵 Объяснять решения ML-моделей;
🔵 Оценивать влияние отдельных признаков;
🔵 Анализировать глобальное поведение модели;
🔵 Разбирать причины конкретных предсказаний;
🔵 Использовать методы SHAP и LIME;
🔵 Обучать Explainable Boosting Machines;
🔵 Исследовать ошибки и потенциальные смещения;
🔵 Строить интерактивные визуализации результатов.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 469 |
| 13 | 💾 ИИ-код становится дешевле, а его поддержка дороже
В статье разобрали скрытые издержки вайбкодинга: накопление технического долга, ошибки нейросетей, уязвимые зависимости и расходы на проверку сгенерированного кода.
Отдельно рассмотрели реальные инциденты и исследования, показывающие, почему ИИ не всегда ускоряет разработку.
⛓️ Читать статью
tags: #статья
➡ Data Scientist | Чат | 490 |
| 14 | 🗂 Дополнительные инструменты для машинного обучения
Нашли библиотеку, которая добавляет готовые трансформеры, модели и метрики для обработки признаков, поиска выбросов и настройки классификации.
Всё совместимо со стандартными ML-пайплайнами и не требует переписывать существующие проекты.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 503 |
| 15 | Готовитесь к собеседованию по Data Science или ML? Проверьте, сможете ли объяснить, как выбрать метрику, распознать утечку данных и оценить модель.
В «Банке собесов» есть вопросы по классическому ML, NLP и LLM, Computer Vision, SQL и Python. У части вопросов есть разборы с примерами ответов. Откройте бесплатные вопросы и попробуйте ответить самостоятельно.
Полный доступ — от 500 ₽.
Открыть Банк собесов
https://tglink.io/af84b02278d17c?erid=2W5zFK2Zwmc | 236 |
| 16 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 17 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 18 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 19 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
| 20 | 🔖 Учимся находить причинно-следственные связи в данных
На GitHub выложили open-source инструмент для изучения причинных связей и оценки влияния различных факторов на результат.
Что умеет:
🔵 Строить причинно-следственные графы;
🔵 Оценивать эффект изменений и вмешательств;
🔵 Анализировать влияние отдельных факторов;
🔵 Проверять устойчивость причинных выводов;
🔵 Проводить контрфактический анализ;
🔵 Искать первопричины аномалий;
🔵 Работать с наблюдательными данными;
🔵 Использовать статистические методы причинного вывода.
⛓ Ссылка на GitHub
tags: #полезное
➡ Data Scientist | Чат | 1 |
