Telegram Group Search
🎧 Как работает преобразование Фурье — простыми словами и на Python

Вы, наверняка, слышали о преобразовании Фурье, но что это на самом деле и зачем оно нужно?

Мы подготовили для вас 6 простых карточек:
📍 Что делает преобразование Фурье
📍 Как разложить сигнал
📍 Как найти шум
📍 И даже как его убрать!

Листайте 👉

Если хотите узнать больше — полная статья по ссылке: https://proglib.io/sh/1DKn7CfvLQ

Библиотека дата-сайентиста #буст
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
Самые догадливые, пишите ответ в комментах 👇

Небольшая подсказка — это термин относится к AI или DS.

Прячем ответы под спойлер, чтобы не спалить остальным.

Библиотека дата-сайентиста #междусобойчик
🆕 Свежие новости из мира AI и Data Science

🔥 Модели, релизы и технологии:
AlphaEvolve — новый кодинг-агент для сложных алгоритмов
Model Context Protocol (MCP) — мост между LLM и любыми API
Hugging Face + Kaggle — совместный доступ к моделям для всех

🧠 Статьи, исследования и лучшие практики:
Continuous Thought Machine — новая архитектура от SakanaAI, вдохновлённая биологией
LLM превзошли врачей — OpenAI выпускает медицинский бенчмарк
Инженерные хаки от DeepSeek — обучение и инференс без боли
System prompt Claude — слит весь Claude на 24k токенов

📘 Обучение и развитие:
fit() для новичков — просто и понятно
От студента до AI-инженера — карьерный гайд
MLечный путь 2025 — репортаж с коммьюнити-мероприятия
Как прокачаться джуниору в ML — полезная подборка

🛠 Практика и инструменты:
Разворачиваем нейросеть на VPS — FastAPI + Hugging Face за 15 минут
Точная OCR через декомпозицию — кейс Avito

💬 Мнение:
Интервью про ИИ, которое меня выбесило — критика, сатира, реакция

Библиотека дата-сайентиста #свежак
Please open Telegram to view this post
VIEW IN TELEGRAM
Представьте, что ваш мозг в союзе с суперкомпьютером: вы задаёте направление, а машина выполняет задачи. Именно так может работать современная аналитика.

На курсе Нетологии «ИИ для анализа данных» вы узнаете, как сделать ChatGPT, DeepSeek, Gemini и другие нейросети своими полноценными помощниками.

За 2 месяца под руководством эксперта-практика научитесь:

находить тренды и аномалии в данных,
генерировать SQL-запросы и анализировать Excel-таблицы,
получать от ИИ обоснованные выводы и рекомендации,
работать с Python в Jupyter Notebook без знания языка,
создавать ИИ-ассистентов под нужные задачи.
Ещё вы получите библиотеку готовых промптов и доступ к курсу «Английский язык для аналитики».

Освойте современный подход к анализу данных → https://netolo.gy/d9Ij
А по ПРОМОКОДУ AIDSTG10 - скидка 10%

Реклама. ООО "Нетология". ИНН 7726464125 Erid: 2VSb5yMjEBS
👨‍💻 Топ-вакансий для дата-сайентистов за неделю

Стажёр аналитик Spark Hadoop BigData —‍ от 60 000 до 100 000 ₽, гибрид (Москва)

Data Engineer ML —‍ от 220 000 до 320 000 ₽, удалёнка

Data Scientist, гибрид (Москва)

Ведущий инженер поддержки Data Platform (Yandex Cloud), гибрид (Москва)

Дата Саентист (Data Scientist), офис (Москва)

➡️ Еще больше топовых вакансий — в нашем канале Data jobs

Библиотека дата-сайентиста
Please open Telegram to view this post
VIEW IN TELEGRAM
✔️ Как избежать ловушки автоматизации при масштабировании Low-Code AI

Платформы с Low-Code AI обещают быстрое внедрение без строчки кода. Но под нагрузкой они часто не справляются:
📌 Медленные ответы
📌 Перепутанные сессии
📌 Никакой прозрачности при сбоях

Вот как заставить low-code работать в реальном масштабе:

1⃣ Планируйте масштабирование заранее

Используйте сервисы с автоскейлингом (например, Azure Kubernetes Service, AWS SageMaker Pipelines). Избегайте базовых конфигураций — они не выдерживают нагрузку.

2⃣ Управляйте сессиями вручную

Очищайте данные пользователя после каждого запроса. Не полагайтесь на сохранённое состояние, если не контролируете его.

3⃣ Мониторьте не только метрики модели

Следите за:
— Временем ответа API
— Процентом ошибок
— Использованием ресурсов
— Добавьте бизнес-метрики (например, конверсия, влияние на продажи).

4⃣ Балансировка и авто-масштабирование

Размещайте модели через балансировщики нагрузки. Настройте масштабирование по CPU или задержке.

5⃣ Версионируйте и тестируйте

Каждое обновление — новая версия. Тестируйте в staging и проводите A/B-тесты.

Когда low-code — хороший выбор
✔️ Внутренняя аналитика
✔️ Обучающие проекты
✔️ Прототипы для неразработчиков

📌 Low-code не значит «всё само заработает». Масштаб требует инженерного подхода.

Библиотека дата-сайентиста #буст
Please open Telegram to view this post
VIEW IN TELEGRAM
🌟 Откройте новые горизонты с курсом «Machine Learning. Professional»! 🌟

Хотите прокачать свои навыки в области машинного обучения? Пройдите короткое вступительное тестирование и получите скидку на обучение! 🎓💰

За всего 5 месяцев вы освоите ключевые модели машинного обучения, включая:

— Обработку естественного языка (NLP)
— Глубокое обучение (DL)
— Рекомендательные системы

👩‍🏫 Занятия проводятся опытными наставниками, а также вас ждёт реальная практика и проекты, которые значительно усилят ваше портфолио.

Готовы к новым вызовам и хотите расширить свои карьерные горизонты? Узнайте подробности и получите выгодные условия прямо сейчас: https://clc.to/2BB_vg

Не упустите свой шанс! 🚀

Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru
🤖 ML в продакшене: следим за качеством после релиза

Даже самая точная модель на этапе разработки может со временем «поплыть» — из-за изменений в данных, поведении пользователей или внешней среды.

В новом материале разбираемся:
— какие метрики важно отслеживать после деплоя,
— когда запускать A/B-тесты,
— как строить систему алертов и реагировать на деградацию,
— и почему переобучение — не признак провала, а часть жизненного цикла ML.

👉 Читайте статью здесь: https://proglib.io/sh/fjpFLVWn8Z

Библиотека дата-сайентиста
Please open Telegram to view this post
VIEW IN TELEGRAM
🚀 Создавайте ML-модели с помощью естественного языка с Plexe

Почему бы не упростить создание моделей машинного обучения?

Plexe — это Python-библиотека, которая позволяет вам описывать задачу на естественном языке. После этого команда интеллектуальных агентов на базе LLM берёт всё в свои руки: от построения архитектуры до обучения и тестирования.

📌 Пример:
import plexe

model = plexe.Model(
intent="Предсказать тональность новостных статей",
input_schema={"headline": str, "content": str},
output_schema={"sentiment": str}
)

model.build(
datasets=[your_dataset],
provider="openai/gpt-4o-mini"
)

prediction = model.predict({
"headline": "Прорыв в области ИИ",
"content": "Учёные достигли впечатляющих результатов..."
})


Основные возможности:
— Описание модели на естественном языке
— Многоагентная система (анализ, генерация кода, тесты)
— Автоматизированное построение моделей в один метод
— Поддержка распределённого обучения (Ray)
— Генерация данных и автоматический вывод схем
— Интеграция с OpenAI, Anthropic, HuggingFace и другими LLM-провайдерами

📦 Установка:
pip install plexe


🔗 Ознакомиться с проектом и примерами: https://clc.to/Fs6A-g

Библиотека дата-сайентиста #буст
🥵 Устали от статей, где эйчары рассказывают, как на самом деле выглядит рынок труда в ИТ?

Мы тоже! Поэтому решили узнать правду и представить ее всем айтишникам — но нам нужен ваш голос. Опрос займет 3 минуты, а пользы — вагон для всего сообщества.

Результаты этого исследования помогут понять, как специалистам искать работу в 2025-м (а компаниям — специалистов).

👉 Если вы готовы сделать свой вклад в исследование — велком: https://clc.to/VGgyNA
2025/05/22 00:01:07
Back to Top
HTML Embed Code: