➡ 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

📰 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

📰 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

📰 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

🔖 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

🔖 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

📰 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

🗂 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

🔖 Актуальный алгоритм рекомендаций X (Twitter) выложили в опенсорс

Компания открыла код рекомендательной системы, которая прямо сейчас используется в ленте «Для вас». Это не абстрактный пример и не учебный проект, а реальная продакшн-версия.

Можно посмотреть, как именно ранжируются посты, какие сигналы учитываются и по какой логике формируется персональная лента. Код и подходы спокойно можно использовать как основу для собственных рекомендательных сервисов.

Изучаем и разбираем — тут.

tags: #полезное

➡ Data Scientist | Чат

😮 Каталог промптов для прокачки Claude Code

Это не просто набор промптов, а полноценный хаб для сборки кастомных субагентов под конкретные технологии.

По сути, вы берёте обычного Claude и превращаете его в специалиста под нужный стек с пониманием нюансов архитектуры проекта.

Что полезного:

▶️ Больше 200 готовых промптов под популярные стеки от React и Next.js до Go, Rust и Python;

▶️ Подборка инструментов, которые дают агентам доступ к базам данных и API;

▶️ База промптов регулярно обновляется.

Хороший способ перестать объяснять ИИ одно и то же и начать использовать его как полноценного напарника — забираем тут.

tags: #полезное

➡ Data Scientist | Чат

🔖 Полный курс по n8n на русском для начинающих

В этом курсе вы узнаете, как собирать автоматизации и интеграции в n8n без кода и программирования.

Подойдёт тем, кто хочет научиться автоматизировать рутинные задачи и использовать no-code на практике.

Что вы изучите:

🏮 Как устроен n8n и чем он отличается от Make и Zapier;

🏮 Установку n8n: Docker, self-hosted и облачную версию;

🏮 Интерфейс, ноды, триггеры и шаблоны автоматизаций;

🏮 Интеграции с Google Sheets, Gmail, Drive, Telegram и YouTube;

🏮 Создание Telegram-ботов и AI-ассистентов;

🏮 Резервное копирование, обновления и защиту от сбоев;

🏮 Подключение нейросетей и бесплатных API.

В итоге вы научитесь самостоятельно собирать рабочие автоматизации в n8n и применять их для реальных задач.

Ссылка на курс — здесь.

tags: #полезное

➡ Data Scientist | Чат