🔖 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

🤖 Курс по компьютерному зрению

На Hugging Face есть сильный вводный курс по компьютерному зрению — полностью бесплатный и с большим количеством практики.

Что разберёте в курсе:

▶️ Основы компьютерного зрения и типовые задачи;

▶️ Свёрточные нейронные сети и их архитектуры;

▶️ Визуальные трансформеры и современные модели;

▶️ Генеративные методы для работы с изображениями;

▶️ Анализ и обработку видео;

▶️ 3D-зрение, реконструкцию сцен и визуализацию;

▶️ Zero-shot подходы — классификация объектов без обучения;

▶️ Этические вопросы и ограничения CV-систем.

Материал покрывает ключевые концепции CV и показывает, как применять их в реальных задачах.

Ссылка на курс — здесь.

tags: #полезное

➡ Data Scientist | Чат

📰 Сила оттенков серого: компьютерное зрение с нуля

В мире CV все обсуждают нейросети, OpenCV и готовые пайплайны, но почти никто не задумывается, что стоит под капотом этих инструментов.

Автор решил отбросить все зависимости и собрать компьютерное зрение «с нуля» — только на пикселях, свёртках и минимальном C-коде.

Что вы узнаете из статьи:

▶️ Как устроены операции над пикселями и свёртки для размытия, резкости и выделения границ;

▶️ Как работают thresholding (фиксированный, Otsu, адаптивный) и морфология;

▶️ Как находить blob, центры масс, ограничивающие прямоугольники и контуры;

▶️ Как реализованы FAST и ORB: углы, ориентация и бинарные дескрипторы;

▶️ Как работают LBP-каскады для распознавания лиц без глубинных сетей.

Интересный обзор, который показывает, как из простых операций над пикселями вырастает полноценное компьютерное зрение.

➡️ Читать статью

tags: #статья

➡ Data Scientist | Чат

Изящный ход

➡ Data Scientist | #memes

📰 LLM в науке. Используем LLM в анализе эксперимента

Можно ли доверить анализ научного эксперимента самой нейросети? В этой статье исследователь проверяет влияние LLM на креативность студентов — и заодно использует LLM для обработки данных, расчётов и проверки гипотез.

Автор подробно разбирает, как большие языковые модели справляются с научными задачами, где они ошибаются, и почему даже самые точные вычисления могут давать ложные выводы без человеческого контроля.

Что вы узнаете в статье:

▶️ Как LLM помогла провести реальный эксперимент о влиянии искусственного интеллекта на креативность студентов;

▶️ Какие метрики — беглость, гибкость, оригинальность — использовались для анализа данных;

▶️ Почему ИИ не повышает, но и не снижает креативность, а меняет сам подход к генерации идей;

▶️ Как LLM действует как фильтр, убирая банальные ответы и усиливая сильных участников;

▶️ Почему доверять вычислениям нейросети без проверки опасно даже в академической среде.

В статье показано, как LLM может стать мощным инструментом научного анализа — но только при критичном подходе и осознанном контроле исследователя.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

Что-то больно щедро

➡ Data Scientist | #memes

📰 Андрей Карпаты запустил новый проект — консилиум LLM

Инструмент работает как ChatGPT, но ваш запрос разбирают сразу несколько моделей.

Это не просто «ансамбль», а полноценный совет нейронок, где каждая участвует в обсуждении.

Как устроено:

▶️ Через OpenRouter запрос уходит сразу нескольким моделям: GPT-5.1, Gemini 3 Pro, Claude Sonnet 4.5, Grok 4. Каждая пишет свой ответ.

▶️ Затем всем показывают анонимные ответы друг друга — модели ранжируют их, комментируют и указывают, что именно стоит улучшить.

▶️ После этого весь собранный контекст передаётся «председателю» LLM, который формирует итоговый, взвешенный ответ.

Интересно, что модели часто выбирают не свой ответ. GPT-5.1 почти всегда называют сильнейшим участником совета, а Claude — самым слабым.

Исходный код и демо — здесь.

tags: #новости

➡ Data Scientist | Чат

Тяжело нынче джунам

➡ Data Scientist | #memes

📰 «Тупой ИИ» с нами надолго: почему в новых моделях больше галлюцинаций

Модели последнего поколения получили режимы рассуждений и выросли в вычислительных возможностях, но при этом стали чаще выдавать неверные факты. Тесты показывают, что увеличение параметров и данных не устраняет галлюцинации и даже усиливает их.

В статье объясняется, какие ограничения трансформеров приводят к росту ошибок, почему масштабирование не улучшает надёжность и откуда берутся случаи осознанного искажения ответов.

Что вы узнаете из статьи:

▶️ Почему o3, o4-mini и DeepSeek-R1 ошибаются в 2–3 раза чаще предыдущих моделей;

▶️ Как работает стратегическое искажение ответов и почему модели меняют поведение под наблюдением;

▶️ Почему reasoning-модели проваливаются на задачах вне обучающей выборки;

▶️ Как возникает коллапс моделей при обучении на собственных данных;

▶️ Какие фундаментальные ограничения мешают LLM стать полноценным ИИ.

Интересный обзор, который поможет понять реальные границы современных моделей и причины роста галлюцинаций.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

Монетизировать можно всё что угодно — главное уметь 😉

➡ Data Scientist | #memes