🔖 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

🔖 Google и Kaggle запускают бесплатный онлайн-интенсив по AI-агентам

Всего за 5 дней вы разберётесь в основамах и соберёте своего первого работающего агента:

▶️ Поймёте ключевые принципы и архитектуру агентов;

▶️ Развернёте собственный MCP-сервер;

▶️ Создадите агента с нуля;

▶️ Научите его выполнять реальные задачи, а не абстрактные примеры.

Интенсив стартует 10 ноября, зарегистрироваться можно — тут.

tags: #полезное

➡ Data Scientist | Чат

📰 Локальные LLM модели: обзор и тестирование

Большие языковые модели перестали быть только облачными сервисами — сегодня многие из них можно запускать прямо на обычном ПК.

В статье собран практический обзор популярных локальных моделей и результаты их тестирования в реальных сценариях.

Что внутри:

▶️ В чем преимущества локальных LLM по сравнению с облачными: конфиденциальность, доступность, бесплатный API, корпоративные сценарии;

▶️ Как работать с Ollama: загрузка моделей, запуск через чат и API, управление через терминал;

▶️ Сравнительное тестирование моделей (Mistral, Llama 3.1, Qwen, Gemma, GPT-OSS, DeepSeek) на задачах фактологии, математики, кода и текста;

▶️ Результаты по скорости и точности: где локальные модели справляются лучше, а где уступают облачным;

▶️ Практические выводы — для каких задач подходят быстрые «легкие» модели, а где уместны более крупные и «думающие» варианты.

Материал будет полезен тем, кто хочет разобраться в локальных альтернативах ChatGPT и протестировать их в боевых условиях.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Промптинг и суеверия. Что (не) надо добавлять к запросу в ChatGPT

Вокруг промптинга давно крутятся советы вроде «добавь эту фразу — и модель станет умнее».

Однако исследование в статье показывает: большинство таких приписок бесполезны или дают эффект только в узких случаях.

Что вы узнаете в статье:

▶️ Работает ли приём «давай думать пошагово» и почему его эффект уменьшается в новых моделях

▶️ Когда эмоциональные добавки помогают креативности, а когда они бесполезны

▶️ Что происходит с качеством ответа, если упоминать срочность или обещать «чаевые»

▶️ Как вежливость и тон общения влияют на результат диалога с моделью

▶️ Какие приёмы реально повышают качество ответа и делают промпт более эффективным

Итог: эффективность промпта зависит не от красивых приписок, а от того, насколько ясно и конкретно поставлена задача.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Павел Дуров запускает ИИ-лабораторию в Казахстане

Telegram готовит технологию на стыке ИИ и блокчейна, которая, по словам Дурова, позволит «миллиарду юзеров использовать искусственный интеллект эффективно и приватно».

За проект возьмётся новая лаборатория Alem AI, которая будет работать в связке с казахстанским суперкомпьютером на ~400 GPU NVIDIA H200.

➡ Ссылка на новость

tags: #новости

➡ Data Scientist | Чат

📰 xAI готовит Grokipedia — конкурента Википедии

Илон Маск анонсировал новый проект: платформа Grokipedia должна стать «значительно лучше» Википедии, которую он считает политически предвзятой.

По задумке Маска, это будет база знаний для ИИ и людей, без идеологических фильтров и перекосов.

tags: #новости

➡ Data Scientist | Чат

📰 Топ-30 бесплатных нейросетей, которые реально облегчат жизнь

Робо-няня из «Смешариков» когда-то казалась фантастикой, а теперь у нас под рукой десятки сервисов, которые пишут тексты, рисуют картинки, делают видео и даже собирают презентации.

В статье собраны 30 бесплатных нейросетей, которые можно юзать без VPN и сложных настроек.

Что вы найдёте внутри:

▶️ Текстовые ИИ для статей, резюме и кода

▶️ Генераторы картинок и видео с редактированием на лету

▶️ Музыкальные ИИ, которые пишут треки с вокалом

▶️ Инструменты для PDF, презентаций и логотипов

▶️ Сервисы для аватаров и озвучки

Главное — все сервисы бесплатные или с жирным фри-тарифом.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

🔖 Курс по машинному обучению для начинающих

В ходе уроков вы с нуля разберётесь во всех ключевых аспектах Machine Learning и шаг за шагом поймёте, как работает машинное обучение.

Под конец курса создадите несколько небольших проектов для визуализации машинного обучения.

📱 Смотреть на YouTube

tags: #полезное

➡ Data Scientist | Чат

📰 Сегодня ждём новый продукт от OpenAI

В Сан-Франциско проходит DevDay 2025, и по слухам компания там представит Agent Builder — zero/low-code платформу для создания ИИ-агентов и автоматизации рабочих процессов. Это должно стать чем-то вроде n8n или Zapier, но с встроенной оркестрацией и интеллектом.

Ранее OpenAI уже выпускала библиотеку Swarm с похожим функционалом, так что визуальный конструктор выглядит логичным продолжением.

Если в него добавят интеграции, MCP и возможность связывать агентов между собой, инструмент может оказаться действительно удобным для повседневных автоматизаций.

tags: #новости

➡ Data Scientist | Чат