😍 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

➡ Data Scientist | #memes

📱 Pycaret: кратко про low-code библиотеку для ML

В статье рассматривается, как использовать PyCaret для создания, обучения и внедрения моделей машинного обучения с минимальным количеством кода.

Автор описывает основные модули библиотеки, демонстрируя их возможности с примерами кода.

⛓ Читать статью

tags: #статья

➡ 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

🔖 Как связаны диаграммы Вороного и параболоиды

Диаграмму Вороного можно получить через геометрическую интерпретацию в 3D. Для каждой точки xᵢ строится поверхность yᵢ(x) = D(xᵢ, x), где D — функция расстояния.

Диаграмма Вороного возникает как вертикальная проекция нижней оболочки всех этих поверхностей.

Если выбрать расстояние D(x, x′) = ‖x − x′‖², то поверхности yᵢ становятся параболоидами. В этом случае их нижняя оболочка образует плоские границы, а ячейки диаграммы Вороного получаются с линейными рёбрами.

Именно поэтому при квадратичном расстоянии диаграммы Вороного выглядят «прямыми», несмотря на параболическую природу построения.

tags: #полезное

➡ Data Scientist | Чат

🔖 Коллекция современных агентных систем

Редкий и действительно полезный репозиторий с разбором 17 примеров архитектур агентных систем — от минимальных прототипов до комплексных мультиагентных оркестраторов.

Внутри:

▶️ Готовые ноутбуки с реализациями;
▶️ Примеры взаимодействия агентов и маршрутизации задач;
▶️ Сравнение подходов к планированию, памяти и инструментам;
▶️ Практические советы по построению собственных систем.

Отличный способ быстро разобраться, как устроены современные AI-агенты, забираем — здесь.

tags: #полезное

➡ Data Scientist | Чат