🔖 Курс по n8n для начинающих

В этом курсе вы разберёте n8n как платформу для построения сложных автоматизаций, интеграций API и AI-агентов без написания кода.

В процессе обучения вы постепенно перейдёте от базовых workflow к продакшн-системам с AI-агентами, памятью и облачным деплоем.

Что вы изучите:

🏮 Основы n8n: интерфейс, узлы, триггеры, входные и выходные данные, выражения и типы данных;

🏮 Построение workflow: последовательности, ветвления, циклы, обработка ошибок и повторные попытки;

🏮 Интеграцию API через HTTP-узлы: REST-запросы, аутентификацию, OAuth и работу с внешними сервисами;

🏮 Создание AI-агентов: LLM, системные и пользовательские промпты, инструменты, контекстная и долговременная память;

🏮 Работу с OpenAI, Anthropic, Perplexity, Code Cloud, Vertex AI и другими LLM-провайдерами;

🏮 Использование Gmail, Google Sheets, Google Drive, Slack и Telegram в автоматизациях;

🏮 Реализацию AI-workflow для писем, новостей, поддержки, HR, маркетинга и аналитики;

🏮 Векторные базы данных (Pinecone) для памяти и поиска документов;

🏮 Генерацию текста, изображений и видео через внешние AI-API;

🏮 Многоуровневые workflow и подпроцессы (multi-workflow архитектура);

🏮 Самостоятельный хостинг n8n через Docker и Docker Compose;

🏮 Развёртывание в AWS EC2 и сравнение облачного и self-hosted вариантов.

После курса у вас будет чёткое понимание, как проектировать и запускать реальные системы автоматизации в n8n.

Ссылка на курс — здесь.

tags: #полезное

➡ Data Scientist | Чат

💻 Лучшие бесплатные книги по PostgreSQL на русском языке

Если хотите разобраться в PostgreSQL — вот подборка книг, которые реально стоит прочитать.

Здесь разобрано множество тем: от основ SQL до архитектуры и тонкостей внутренней работы СУБД.

🏮 Postgres: первое знакомство — брошюра для новичков с кратким введением в PostgreSQL, установку и начальную настройку.

🏮 PostgreSQL. Основы языка SQL — учебник по SQL с акцентом на особенности реализации в PostgreSQL.

🏮 PostgreSQL. Профессиональный SQL — продолжение предыдущей книги, охватывающее оконные функции, CTE, подзапросы LATERAL, пользовательские функции и процедуры.

🏮 PostgreSQL 17 изнутри — глубокий разбор внутреннего устройства СУБД: MVCC, WAL, блокировки, планировщик запросов, индексы и многое другое.

🏮 Мониторинг PostgreSQL — практическое руководство по инструментам мониторинга, интерпретации метрик и пониманию внутренних процессов СУБД.

🏮 Путеводитель по базам данных — обзор архитектурных принципов современных СУБД, алгоритмов и структур данных, используемых в них.

🏮 Основы технологий баз данных — учебное пособие, охватывающее теорию баз данных, методы и алгоритмы, применяемые при реализации СУБД, и особенности PostgreSQL.

Книги доступны для скачивания в формате PDF — здесь.

tags: #полезное #postgresql #sql

➡ Data Scientist | Чат

💻 Годный опенсорс проект, который превращает любой GitHub-репозиторий в интерактивную карту

Достаточно заменить в URL слово «github» на «gitdiagram», и сервис мгновенно визуализирует структуру репозитория: модули, директории, связи и логику организации кода.

Это удобный способ быстро понять архитектуру проекта и ускорить разбор незнакомой кодовой базы.

Исходный код сервиса — здесь.

tags: #полезное

➡ Data Scientist | Чат

📰 Как LLM-вендоры обращаются с вашими данными: подробный разбор безопасности и конфиденциальности

В статье подробно разобрано, какие данные собирают популярные LLM-сервисы, как долго они их хранят и кто к ним может получить доступ.

На реальных документах, судебных решениях и инцидентах показано, чем отличается работа с ИИ для обычных пользователей и для компаний.

Что вы узнаете в статье:

▶️ Как западные, российские и китайские LLM-вендоры хранят и используют пользовательские данные

▶️ Чем отличаются политики для частных и корпоративных клиентов

▶️ Какие инциденты с утечками данных произошли в экосистеме ИИ в 2025 году

▶️ Почему судебное решение по OpenAI стало поворотной точкой для всей индустрии

▶️ Насколько безопасны агрегаторы и инструменты для кодинга с ИИ

▶️ Как выбрать LLM-сервис с учетом юрисдикции и требований к конфиденциальности

Материал поможет понять, какие риски вы принимаете при работе с LLM и как осознанно выбирать ИИ-сервисы в новых условиях.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 «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

📰 CPython простыми словами: всё, что нужно знать начинающему

В статье понятно и подробно объясняется, как устроен CPython — интерпретатор, который стоит за привычным Python.

Автор показывает, как он выполняет код, управляет памятью, почему существует GIL и как можно ускорять Python через C-расширения.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

😍 Hugging Face подготовил жирный подарок на новый год — 12 бесплатных курсов по ИИ

В одном месте собрали полноценную обучающую базу по самым актуальным направлениям ИИ:

▶️ AI Agents — как проектировать и запускать автономных агентов, которые сами принимают решения;

▶️ LLM Course — как устроены большие языковые модели и библиотеки вроде Transformers;

▶️ Smol-course — быстрый и практичный вход в fine-tuning моделей под свои задачи;

▶️ MCP Course — как подключать ИИ к внешним данным и инструментам, курс сделан вместе с Anthropic;

▶️ Deep RL — обучение с подкреплением для сложных агентов и роботов;

▶️ ML для игр — применение машинного обучения в геймдеве;

▶️ Robotics — путь от классических контроллеров к роботам на нейросетях;

▶️ ML for 3D — работа с 3D-данными, нейросети для форм, сцен и пространств;

▶️ Computer Vision — обучение моделей работе с изображениями и видео;

▶️ Audio Course — обработка речи и звука через Transformers;

▶️ Diffusion Course — генерация изображений и работа с Diffusers;

▶️ Open-Source AI Cookbook — готовые рецепты и код под реальные ИИ-задачи.

Сохраняем и обучаемся!

tags: #полезное

➡ Data Scientist | Чат

👍 Нашли библиотеку промтов, которая реально сэкономит время при работе с ИИ

Внутри аккуратно собраны готовые запросы для кода, текстов, изображений и аналитики, которые уже проверены на практике и дают стабильный результат без долгих экспериментов с формулировками.

Забираем и адаптируем под себя — тут.

tags: #полезное

➡ Data Scientist | Чат

👍 Подборка инструментов для управления памятью и контекстом в LLM-системах

В репозитории собрана структурированная подборка инструментов для хранения, извлечения и организации контекста в LLM-приложениях.

Что внутри:

▶️ Подходы к организации памяти: векторные хранилища, графы знаний и гибридные модели

▶️ Инструменты для долговременной памяти LLM-агентов

▶️ Решения для agent-based и multi-agent архитектур

▶️ Сравнительная таблица с лицензиями, типом хранилища и сценариями использования

▶️ Ссылки на репозитории и документацию для быстрого выбора стека

Репозиторий поможет выбрать и спроектировать подходящий memory-слой для LLM-систем — забираем здесь.

tags: #полезное

➡ Data Scientist | Чат

🐍 MiniGPT — простая реализация GPT на PyTorch

Если хотели разобраться, как работают GPT-модели — miniGPT поможет: это минимальная реализация на PyTorch всего в 300 строк кода.

Отлично подойдёт, чтобы на практике понять, как модель обрабатывает текст, понимает контекст и генерирует продолжение.

⛓ Ссылка на проект

tags: #полезное

➡ Data Scientist | Чат

📰 Сравнительный анализ 18 LLM-моделей: конец монополии?

В конце 2025 года рынок LLM резко изменился: open-source модели вплотную приблизились к проприетарным и в отдельных задачах начали их обгонять.

За один месяц вышло сразу несколько релизов, которые поменяли расстановку сил в кодинге, математике, научном рассуждении и агентных системах.

В материале собраны реальные бенчмарки и цифры, чтобы понять, какие модели сейчас действительно сильнее, где open-source уже можно использовать в продакшене и в каких сценариях API всё ещё выигрывает.

➡ Читать статью

tags: #статья

➡ 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

👍 Наглядная визуализация внутреннего устройства LLM

Это интерактивный сайт, где архитектуру языковых моделей можно буквально покрутить в 3D и понять, как всё устроено на уровне слоёв и блоков.

Внутри есть GPT-2, nanoGPT, GPT-2 XL и GPT-3 — можно переключаться между моделями и смотреть, чем они отличаются.

Залипаем и изучаем — здесь.

tags: #полезное

➡ Data Scientist | Чат

📱 Подборка видео по PyTorch и нейросетям

Это не полноценный курс с единой программой, а собранная в одном плейлисте коллекция из девяти отдельных видео по PyTorch и нейросетям.

Внутри материалы разного уровня и формата, которые подойдут для выборочного изучения тем, практики и общего понимания направления.

Что здесь есть:

🏮 Вводные видео по PyTorch и основам нейросетей;

🏮 Практические разборы с написанием кода и примерами проектов;

🏮 Материалы по компьютерному зрению и работе с медицинскими изображениями;

🏮 Примеры создания чат-ботов и моделей на PyTorch;

🏮 Разборы больших языковых моделей и генеративных нейросетей;

🏮 Примеры обучения агентов и задач с подкреплением;

🏮 Видео от разных авторов без общей учебной логики.

Подборка подойдёт тем, кто уже знаком с Python и хочет выборочно изучать PyTorch без строгого учебного плана — забираем здесь.

tags: #полезное

➡ Data Scientist | Чат

🔖 NVIDIA выпустила понятный гайд по fine-tuning LLM с Unsloth

Это вводный материал для тех, кто хочет быстро разобраться, как дообучать модели без лишней теории и экспериментов вслепую.

Внутри разбирают:

▶️ Подходы к обучению LoRA, FFT и RL и когда что применять

▶️ Зачем вообще делать fine-tuning и какие задачи он реально решает

▶️ Сколько данных и VRAM требуется на практике

▶️ Как обучать локально на DGX Spark, RTX-видеокартах и других конфигурациях

Хорошо подойдет, чтобы быстро разобраться, как дообучать LLM под свои задачи — читаем тут.

tags: #полезное

➡ Data Scientist | Чат

📰 Отслеживание людей в реальном времени с Ultralytics YOLO 11

В гайде разбирается, как с помощью Ultralytics YOLO11 реализовать устойчивый трекинг людей на видео с сохранением уникальных ID между кадрами.

Материал показывает, как эта модель применяется на практике — от анализа толп до построения интеллектуальных систем видеонаблюдения.

Что вы узнаете в статье:

▶️ Как YOLO11 присваивает и сохраняет ID объектов при трекинге

▶️ Какие алгоритмы используются для отслеживания перемещения между кадрами

▶️ Как применять модель для подсчёта людей и анализа плотности толпы

▶️ В каких задачах видеонаблюдения такой подход наиболее эффективен

▶️ Какие ограничения и требования есть у real-time трекинга

Статья даст практическое понимание того, как использовать YOLO11 для построения систем реального времени с отслеживанием людей.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 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

Ошибочка вышла

➡ Data Scientist | #memes