🔖 Бесплатный курс по глубокому обучению

Нашли мощный курс, где показывают, как применять нейросети на практике — от базовых алгоритмов до реальных проектов.

После прохождения вы сможете:

▶️ Применять алгоритмы машинного обучения на практике;

▶️ Строить нейросети для задач компьютерного зрения на Python;

▶️ Подключать модели к проектам — от телеграм-ботов до web-демо.

Доступно два уровня сложности: базовый курс и продвинутый курс, поэтому подойдёт и новичкам, и тем, кто уже разбирается в теме.

tags: #полезное

➡ Data Scientist | Чат

🔖 40 методов NumPy, которые покрывают 95% задач

Удобная шпаргалка для тех, кто работает с анализом данных и ML.

Здесь собраны основные функции для:

▶️ Создания и изменения массивов;
▶️ Математических операций;
▶️ Работы с матрицами и векторами;
▶️ Сортировки и поиска значений.

Сохраните себе — пригодится при работе с NumPy.

tags: #полезное

➡ Data Scientist | Чат

Машинное обучение глазами новичка в Data Science

➡ Data Scientist | #memes

📰 ML глазами практика и препода. Часть 1: новая парадигма знаний или всё-таки хайп?

Машинное обучение уже не просто технология, а способ мышления, меняющий саму логику разработки — от программирования через правила к обучению на данных.

В статье — взгляд опытного датасаентиста на то, как ML перестраивает инженерные процессы, культуру команд и границы между исследованием, продуктом и этикой.

⛓ Читать статью

tags: #статья

➡ Data Scientist | Чат

Как владельцы Макбуков в модной кофейне видят твой Lenovo ThinkPad:

➡ Data Scientist | #memes

🔖 PyTorch для новичков: вся база по тензорам в одном месте

Сборник базовых приёмов работы с тензорами в PyTorch — для тех, кто начинает знакомство с фреймворком и хочет быстро освоить его основы.

Что внутри:

▶️ Что такое тензоры и зачем они нужны

▶️ Инициализация тензоров: нули, единицы, рандом, похожие по размеру

▶️ Преобразование типов и переход между NumPy и PyTorch

▶️ Арифметика, логические операции, сравнение тензоров

▶️ Матричное умножение и батчевые вычисления

▶️ Broadcasting, view(), reshape(), изменение размерностей

▶️ Индексация и срезы: как обращаться к частям тензора

▶️ Ноутбук с примерами кода

Хороший стартовый материал, чтобы понять механику тензоров до перехода к моделям и обучению.

⛓ Ссылка на GitHub

tags: #полезное

➡ Data Scientist | Чат

🔖 Шпаргалка по Python

Делимся годной шпаргалкой, которая выручает, когда нужно быстро освежить синтаксис в памяти.

В этой краткой шпаргалке охвачено всё самое важное — можно распечатать и держать под рукой.

tags: #полезное #шпаргалка

➡ Data Scientist | Чат

🔖 Нашли интересную платформу — аналог LeetCode для Data Science

DataLemur — платформа с реальными задачами из собеседований в Tesla, Meta, Twitter и других топовых компаниях.

Внутри задачи по SQL, статистике, Python и ML, которые можно фильтровать по уровню сложности и компаниям, чтобы прокачиваться точечно.

Идеально для подготовки к позициям Data Scientist и Data Analyst, забираем — здесь.

tags: #полезное

➡ Data Scientist | Чат

📰 OpenAI добавили удобную фичу в ChatGPT — теперь можно исправлять промпт, даже если модель уже начала работать

У многих наверняка была ситуация: запустил Deep Research, он уже начал работу, а потом ты вспоминаешь важную деталь, которую забыл указать.

Раньше приходилось всё сбрасывать, а теперь просто нажимаешь Update в боковой панели и редактируешь запрос на лету.

Мелочь, а приятно.

tags: #новости

➡ Data Scientist | Чат

🔖 Отличный ресурс для изучения нейронных сетей

Делимся крутым ресурсом для изучения нейронных сетей, предлагающий четкое, поэтапное обучение с динамической визуализацией и понятными объяснениями.

Кроме того, на сайте вы найдете множество других полезных материалов по машинному обучению.

Находим и пользуемся — тут.

tags: #полезное

➡ Data Scientist | Чат

🔖 Полный курс по аналитике данных на Python

Нашли хороший курс из 7 модулей, где учат работать с данными на всех этапах — от сбора и обработки до визуализации и построения моделей.

Много практики, реальные кейсы и финальные проекты, которые можно добавить в портфолио.

Отличный вариант, чтобы уверенно войти в аналитику данных и добавить Data Science в свой стек, ссылка — тут.

tags: #полезное

➡ Data Scientist | Чат

💣 Майкл Бэрри поставил $1,1 млрд против ИИ — он шортит Nvidia и Palantir

Тот самый инвестор из «Игры на понижение», предсказавший кризис 2008-го, теперь делает ставку на падение крупнейших ИИ-компаний. Он открыл шорт-позиции на миллиард долларов против Nvidia и Palantir — флагманов сектора искусственного интеллекта.

Бэрри считает, что рынок ИИ перегрет: компании вливают миллиарды в инфраструктуру, перепродают мощности друг другу, а реальная отдача сильно преувеличена — всё это напоминает эпоху доткомов.

По данным Business Insider, его портфель выглядит «крайне нетрадиционно» — почти полностью состоит из ставок против рынка. CEO Palantir уже ответил на выпад Бэрри: «Не стоит шортить тех, кто зарабатывает все деньги.»

tags: #новости

➡ Data Scientist | Чат

🔖 Делимся годной шпаргалкой по методам кодирования категориальных признаков

Здесь рассмотрено, чем отличаются one-hot, dummy, effect, label, ordinal, count и бинарное кодирование, и какой результат даёт каждый подход в реальных задачах.

tags: #полезное #шпаргалка

➡ Data Scientist | Чат

🔖 Google выкатил новый ИИ-инструмент для разработчиков — Code Wiki

Фишка сервиса в том, что он сам собирает понятную документацию с диаграммами, схемами и описанием структуры проекта.

Плюс тут же встроенный чат с Gemini: можно сразу уточнить логику кода, попросить объяснить архитектуру или разобрать конкретный модуль.

Самое приятное — документация обновляется автоматически после каждого вашего коммита.

Ссылка на ресурс — здесь.

tags: #полезное

➡ Data Scientist | Чат

🔖 Нашли отличный PDF-гайд по AI-агентам — компактно, понятно и с иллюстрациями

Внутри собрано всё, что нужно, чтобы разобраться в теме с нуля и перейти к практике:

▶️ Как работают агенты и чем они отличаются от LLM и RAG;
▶️ Ключевые паттерны и архитектура агентных систем;
▶️ Основные компоненты и логика их взаимодействия;
▶️ Как создавать собственные инструменты через MCP;
▶️ 12 практических мини-проектов для самостоятельной сборки.

Забираем гайд — тут.

tags: #полезное

➡ Data Scientist | Чат

🎨 Художник показал эволюцию глубокого обучения в честь Нобелевской премии Джеффри Хинтона

Появилась анимация “Evolution of Deep Learning by Hand” — творческая работа, в которой вручную прорисована история идей, сформировавших современное глубокое обучение.

В ролике показано, как развивались ключевые концепции, связанные с вкладом Джеффри Хинтона, недавно получившего Нобелевскую премию за свой труд.

tags: #новости

➡ Data Scientist | Чат

📱 В VSCode наконец-то добавили интеграцию с Google Colab — маководы в восторге

Теперь можно работать с ноутбуками в Colab прямо из локальной IDE — удобно, если нужен мощный GPU, но хочется писать код в привычной среде.

Настройка занимает пару минут:

▶️ Открываем каталог расширений в VS Code, находим «Google Colab» и устанавливаем

▶️ Добавляем в проект нужный .ipynb

▶️ Выбираем Colab-ядро, проходим авторизацию — и можно запускать код на GPU/TPU

Расширение бесплатное, забираем — тут.

tags: #новости

➡ Data Scientist | Чат

🤖 Один из лучших ресурсов для изучения Data Science и Machine Learning

На Kaggle собраны интерактивные курсы, которые помогут быстро разобраться в ключевых темах DS и ML.

Формат простой: короткие уроки, практические задания и сертификат по завершении — всё бесплатно.

Внутри:

• основы Python для анализа данных;
• машинное обучение и работа с моделями;
• pandas, SQL, визуализация;
• продвинутые техники и практические кейсы.

Каждый курс занимает всего 3–5 часов и сразу даёт практические знания для работы.

Ссылка на ресурс — здесь.

tags: #полезное

➡ Data Scientist | Чат

📰 Что такое эмбеддинги и как с ними работать?

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

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.

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

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат