❤️ Awesome Docs Gallery — это музей документаций, но без пыли и экскурсоводов. Там собрали самые красивые и толковые open-source доки.

Можно подсмотреть оформление, структуру и приёмы, а потом прокачать свою документацию так, чтобы ею реально хотелось пользоваться.

❤️ Вдохновляемся тут

❤️ Data Scientist | Чат

❤️ Превращаем текст во что угодно

Сервис ChatSlide берёт документ, статью или ссылку и делает из них красивые слайды, инфографику, видео или даже подкаст.

• Работает с PDF, ссылками и статьями
• Сам вытягивает факты, строит план и подбирает стиль
• Экспорт в PDF, PPTX, MP4, MP3 и Keynote
• Поддерживает 100+ языков, включая русский
• Бесплатно

❤️ Пробуем тут

❤️ Data Scientist | Чат

🗂 JSON Hero: Удобная работа с JSON

JSON Hero — это утилита, которая облегчает чтение, анализ и проверку JSON-файлов, что особенно полезно для работы с API, данными и ML-пайплайнами.

Основные возможности:

▶️ Просмотр данных в Column, Tree или Editor View;

▶️ Автоопределение типов значений и полезные превью;

▶️ Генерация JSON Schema для валидации данных;

▶️ Быстрый поиск по ключам и значениям;

▶️ Поддержка клавиатуры и sharable URL с путями;

Отлично подойдет, чтобы быстро проверить данные из API, JSON-логи, ML-пайплайны и легко поделиться структурой данных с коллегами.

➡️ Ссылка на утилиту

tags: #полезное

➡️ Data Scientist | Чат

📷 30 видео для изучения машинного обучения с нуля

Machine Learning: Teach by Doing — плейлист на YouTube из 30 видео, благодаря которому вы освоите теорию и практику машинного обучения.

▶️ Введение в машинное обучение — Teach by Doing:
https://lnkd.in/gqN2PMX5

▶️ Что такое машинное обучение? История машинного обучения:
https://lnkd.in/gvpNSAKh

▶️ Типы моделей машинного обучения:
https://lnkd.in/gSy2mChM

▶️ 6 этапов любого ML-проекта:
https://lnkd.in/ggCGchPQ

▶️ Установка Python и VSCode, запуск первого кода:
https://lnkd.in/gyic7J7b

▶️ Линейные классификаторы. Часть 1:
https://lnkd.in/gYdfD97D

▶️ Линейные классификаторы. Часть 2:
https://lnkd.in/gac_z-G8

▶️ Jupyter Notebook, Numpy и Scikit-Learn:
https://lnkd.in/gWRaC_tB

▶️ Запуск алгоритма случайного линейного классификатора на Python:
https://lnkd.in/g5HacbFC

▶️ Самая первая ML-модель — перцептрон:
https://lnkd.in/gpce6uFt

▶️ Реализация перцептрона на Python:
https://lnkd.in/gmz-XjNK

▶️ Теорема сходимости перцептрона:
https://lnkd.in/gmz-XjNK

▶️ Магия признаков в машинном обучении:
https://lnkd.in/gCeDRb3g

▶️ One-hot encoding (одноразрядное кодирование):
https://lnkd.in/g3WfRQGQ

▶️ Логистическая регрессия. Часть 1:
https://lnkd.in/gTgZAAZn

▶️ Функция потерь — кросс-энтропия:
https://lnkd.in/g3Ywg_2p

▶️ Как работает градиентный спуск:
https://lnkd.in/gKBAsazF

▶️ Логистическая регрессия с нуля на Python:
https://lnkd.in/g8iZh27P

▶️ Введение в регуляризацию:
https://lnkd.in/gjM9pVw2

▶️ Реализация регуляризации на Python:
https://lnkd.in/gRnSK4v4

▶️ Введение в линейную регрессию:
https://lnkd.in/gPYtSPJ9

▶️ Пошаговая реализация метода наименьших квадратов (OLS):
https://lnkd.in/gnWQdgNy

▶️ Основы и интуиция гребневой регрессии (Ridge Regression):
https://lnkd.in/gE5M-CSM

▶️ Резюме по регрессии для собеседований:
https://lnkd.in/gNBWzzWv

▶️ Архитектура нейронной сети за 30 минут:
https://lnkd.in/g7qSrkxG

▶️ Интуиция обратного распространения ошибки (Backpropagation):
https://lnkd.in/gAmBARHm

▶️ Функции активации в нейронных сетях:
https://lnkd.in/gqrC3zDP

▶️ Моментум в градиентном спуске:
https://lnkd.in/g3M4qhbP

▶️ Практическое обучение нейросети на Python:
https://lnkd.in/gz-fTBxs

▶️ Введение в сверточные нейронные сети (CNN):
https://lnkd.in/gpmuBm3j

Сохраняем и смотрим!

tags: #машинное_обучение

➡️ Data Scientist | Чат

➡️ Data Scientist | Чат

📱 Бесплатный курс по основам Python в Jupyter-ноутбуках

Внутри 19 тем, которые разбираются по шагам: от простых штук типа переменных до рекурсии и даже ООП.

Отлично подойдёт, даже для тех, кто никогда не программировал.

➡️ Ссылка на курс

tags: #курсы

➡️ Data Scientist | Чат

Визуализация работы LLM слой за слоем

➡️ Data Scientist | Чат

🗂 Учебник от MIT по компьютерному зрению

Foundations of Computer Vision — учебник по компьютерному зрению от Антонио Торральбы, Филиппа Исолы и Уильяма Фримена. Авторы собрали ключевые идеи CV на стыке обработки изображений и машинного обучения.

Что внутри:

▶️ Базовые концепции без лишней воды;

▶️ Короткие главы с наглядными иллюстрациями;

▶️ Упор на интуитивное понимание процессов;

▶️ Материал полезен и новичкам, и опытным инженерам.

Отличный старт, если только входите в тему, и хороший источник инсайтов для тех, кто уже работает в CV.

➡ Читать учебник

tags: #книга

➡️ Data Scientist | Чат

✏️ SQL для Data Science за 6 недель

Опытный дата-сайентист собрал пошаговый план изучения SQL, оформив его в репозиторий на GitHub. Каждую неделю — новая тема с полезными материалами и практикой.

Программа выглядит так:

▶️ Неделя 1 — основы SQL и извлечение данных;
▶️ Неделя 2 — группировка с помощью GROUP BY;
▶️ Неделя 3 — все типы JOIN и где их применять;
▶️ Неделя 4 — разбор оконных функций;
▶️ Неделя 5 — CTE и подзапросы;
▶️ Неделя 6 — финальный проект для закрепления.

Отличный старт для тех, кто хочет подтянуть SQL именно под задачи аналитики и Data Science.

➡ Ссылка на курс

tags: #курс

➡️ Data Scientist | Чат

🗂 Jupyter Notebook: как установить и как пользоваться?

Видеоразбор для тех, кто хочет освоить один из главных инструментов в Data Science и Machine Learning. Автор показывает, как установить Jupyter Notebook, запустить его и создать первый проект.

Видео по тайм-кодам:

00:00 — что такое Jupyter Notebook;
00:50 — установка Anaconda;
03:06 — запуск;
06:02 — первый ноутбук;
15:45 — работа с внешними файлами;
17:24 — закрытие и перезапуск;
21:17 — пример готового ноутбука.

➡ Ссылка на видео

tags: #инструмент

➡️ Data Scientist | Чат

📰 Локальный AI: запуск языковых моделей у себя дома

Статья объясняет, зачем и как запускать LLM (языковые модели) на собственном компьютере — так, чтобы не зависеть от облачных API и иметь полный контроль над данными и затратами.

Основные тезисы:

▶️ Какое «железо» подойдёт: примеры сборок — от ноутбука до мощных GPU, с оценкой объёма видеопамяти (VRAM) как одной из ключевых характеристик;

▶️ Технологии и оптимизации: квантизация моделей, формат GGUF, компромисс между точностью и нагрузкой на железо;

▶️ Программное обеспечение: GUI-инструменты вроде LM Studio, Jan, GPT4All, CLI-решения типа Llama.cpp и Oobabooga, интерфейсы, подсказки по совместимости с оборудованием;

▶️ Сообщество и помощь: где искать помощь и готовые модели — сабреддиты, GitHub, курируемые списки ресурсов, инструкции, примеры;

▶️ Плюсы и минусы по сравнению с облаком: контроль, приватность, независимость vs сложность настройки, меньшая мощность, зависимость от железа.

➡ Ссылка на статью

tags: #статья

➡️ Data Scientist | Чат

🔖 Тренируем мозги с задачами по ML и AI

Два незаменимых ресурса для практики в машинном обучении и нейросетях:

▶️ Deep-ML — задачи по линейной алгебре, машинному и глубокому обучению. Подходит для постепенного погружения.

▶️ Tensorgym — упражнения разного уровня сложности, чтобы закрепить теорию и прокачать практику.

Идеально подойдёт, если хотите подтянуть навыки и разобраться в тонкостях ML.

tags: #полезное

➡️ Data Scientist | Чат

🔥 Шпаргалка по алгоритмам в Machine Learning

На шпаргалке изображены 10 алгоритмов и их временная сложность — удобно, чтобы всегда держать под рукой.

tags: #шпаргалка

➡️ Data Scientist | Чат

📰 Основы обучения и тестирования моделей нейросетей

Cтатья объясняет, как устроены процессы обучения и тестирования моделей. Разбирается, почему важно правильно делить данные, какие ошибки чаще всего допускают новички и как от этого зависит точность прогноза.

➡ Ссылка на статью

tags: #статья

➡️ Data Scientist | Чат

📰 Как спрогнозировать спрос на самокаты и не захламить город, версия Whoosh

Равномерная расстановка электросамокатов в городе кажется простым решением, но на практике приводит к неудобствам для пользователей и росту расходов для операторов.

Чтобы сделать микромобильный транспорт доступным и при этом не перегрузить городскую среду, команда Whoosh разработала алгоритм прогнозирования спроса на самокаты.

Что вы узнаете в статье:

▶️ Почему традиционные подходы (Excel, скользящее среднее) не работают в долгосрочной перспективе;

▶️ Как собранные данные и их особенности влияют на построение ML-модели;

▶️ Какие модели (SARIMAX, LightGBM, Prophet, NeuralProphet) тестировались и с какими результатами;

▶️ Почему финальный выбор пал на Prophet и как модель учитывает сезонность и дополнительные факторы;

▶️ Как прогнозы старта и финиша поездок превращаются в алгоритм ребаланса для операторов.

В статье показано, как подход машинного обучения помог эффективно управлять флотом самокатов и облегчил работу команды Whoosh.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Что такое эмбеддинги и как с ними работать: вводная для начинающих

Эмбеддинги — это способ представить объекты (текст, картинки, аудио) в виде числовых векторов, с которыми можно работать математически.

В статье разобраны основные подходы к созданию эмбеддингов и примеры их применения на практике.

Что вы узнаете в статье:

▶️ Что такое эмбеддинги и как они устроены с точки зрения векторного пространства;

▶️ Какие объекты можно преобразовать в эмбеддинги: текст, изображения, аудио и мультимодальные данные;

▶️ Как работать с расстояниями между векторами (евклидово, манхэттенское, косинусное);

▶️ Какие задачи можно решать с помощью эмбеддингов: классификация текстов, поиск по базе знаний, кластеризация.

Статья даёт базовое понимание эмбеддингов и показывает, как начать использовать их в реальных проектах.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

🗂 Подборка материалов для реализации ML-алгоритмов

Делимся репозиторием с Google Colab-ноутбуками, где показано, как шаг за шагом реализовать классические алгоритмы машинного обучения с нуля.

Каждый ноутбук — это не только код, но и разбор идей: от линейной регрессии и деревьев решений до градиентного бустинга и нейросетей.

➡ Ссылка на GitHub

tags: #полезное

➡ Data Scientist | Чат