Нынче это повод для гордости

➡ Data Scientist | #memes

🗂 JSON Hero: Удобная работа с JSON

JSON Hero — это утилита, которая облегчает чтение, анализ и проверку JSON-файлов, что особенно полезно для работы с API, данными и ML-пайплайнами.

Основные возможности:

▶️ Просмотр данных в Column, Tree или Editor View;

▶️ Автоопределение типов значений и полезные превью;

▶️ Генерация JSON Schema для валидации данных;

▶️ Быстрый поиск по ключам и значениям;

▶️ Поддержка клавиатуры и sharable URL с путями;

Отлично подойдет, чтобы быстро проверить данные из API, JSON-логи, ML-пайплайны и легко поделиться структурой данных с коллегами.

➡️ Ссылка на утилиту

tags: #полезное

➡️ Data Scientist | Чат

👍 Вышел Cline CLI 2.0 — бесплатный кодинг-агент, который работает прямо из терминала

В нем заметно расширили функционал: теперь это полноценный инструмент для автономной работы с кодом из терминала, без привязки к конкретной IDE.

Что нового:

▶ Kimi K2.5 и MiniMax M2.5 сейчас доступны бесплатно — первая хорошо работает с длинным контекстом и большими файлами, вторая быстро отвечает и стабильно справляется с генерацией и правками кода.

▶ Добавили поддержку ACP, благодаря чему агента можно подключить к любому редактору или собственной среде разработки.

▶ Теперь можно запускать несколько ИИ-агентов параллельно и распределять роли — например, один пишет код, второй делает ревью, третий проверяет тесты.

Ставится на Windows, macOS и Linux одной командой:

npm install -g cline

tags: #полезное

➡ 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

📰 Что такое эмбеддинги и как с ними работать: вводная для начинающих

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

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

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.

Статья даёт базовое понимание эмбеддингов и показывает, как начать использовать их в реальных проектах.

➡ Читать статью

tags: #статья

➡ Data Scientist | Чат

📰 Вышел Claude Sonnet 4.6: почти как Opus, но дешевле

Anthropic выпустили обновлённую «Sonnet 4.6» — и это уже не «средняя» модель, а серьёзный конкурент топовым версиям.

Главное:

▶️ Примерно на 40% дешевле «Opus» и доступна даже на бесплатных планах в «Claude Code» и других продуктах;
▶️ В бете — контекст до 1 млн токенов;
▶️ Серьёзный апгрейд в кодинге, reasoning и computer use;
▶️ По ряду бенчмарков вплотную приближается к «Opus 4.6» и в некоторых тестах обходит «GPT-5.2» и «Gemini 3 Pro»;
▶️ Улучшена работа с интерфейсами: сложные формы, таблицы и многошаговые сценарии выполняются почти на уровне человека.

Интересный момент — «Vending Bench»: модель выстроила стратегию и «заработала» $5639 против ~$4000 у «Opus 4.6». При этом исследователи отмечают, что Sonnet действует более жёстко и консервативно в стратегии.

➡ Читать статью

tags: #статья #новости

➡ Data Scientist | Чат

📰 Вайбкодеры ликуют: Cursor обновился до 2.5

Обновление получилось жирным, из нового:

▶️ Появился собственный маркетплейс плагинов, первые партнёры — AWS, Figma, Stripe, Linear, Amplitude;

▶️ Запустили параллельную работу агентов и расширили Sandbox Network Controls: теперь агентов проще контролировать;

▶️ В CLI добавили Plan mode и поддержку Mermaid-диаграмм прямо в терминале;

▶️ Курсор теперь умеет подтягивать прошлые диалоги как контекст.

Бежим обновляться 💃

tags: #новости

➡ Data Scientist | Чат

😂 Мем дня: Сэм Альтман и Дарио Амодеи отказались держаться за руки

На AI-саммите в Дели устроили «Unity Raise» — участники берутся за руки и поднимают их вверх в знак солидарности.

Все взялись. Кроме двух человек, которые случайно оказались рядом: Сэма Альтмана и Дарио Амодеи.

Контекст сочный: раньше Дарио был VP по исследованиям в «OpenAI», а в 2020 ушёл из-за разногласий и основал «Anthropic». Сейчас это прямые конкуренты в гонке моделей.

➡ Data Scientist | Чат

✏️ Как научить языковые модели рассуждать последовательно?

В этой статье автор разбирает подход Schema-Guided Reasoning (SGR) для повышения предсказуемости работы языковых моделей.

Вы узнаете, как с помощью структурных схем заставить LLM мыслить последовательно и избегать хаотичных ответов, что особенно критично для локальных моделей в корпоративной среде.

➡ Ссылка на статью

tags: #статья

➡ Data Scientist | Чат

🗂 По-настоящему понимаем как работают ML-модели

Drawdata — инструмент, который позволяет прямо в Jupyter нарисовать собственный 2D-датасет и сразу обучать на нём модель.

Вы сами создаёте точки через интерактивный виджет, добавляете данные — и в реальном времени видите, как меняется поведение модели.

Только визуализация, практика и открытый исходный код.

➡ Ссылка на инструмент

tags: #полезное

➡ 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 платформу

tags: #полезное

➡ Data Scientist | Чат

💾 6 курсов по ИИ от Anthropic бесплатно

Если работаешь с AI, агентами или API — это база, которую сейчас проходят разработчики в топ-компаниях.

▶️ Работа с Claude API

https://anthropic.skilljar.com/claude-with-the-anthropic-api

▶️ Введение в Model Context Protocol (MCP)

https://anthropic.skilljar.com/introduction-to-model-context-protocol

▶️ Claude в Amazon Bedrock

https://anthropic.skilljar.com/claude-in-amazon-bedrock

▶️ Claude в Google Cloud (Vertex AI)

https://anthropic.skilljar.com/claude-with-google-vertex

▶️ Продвинутый MCP

https://anthropic.skilljar.com/model-context-protocol-advanced-topics

▶️ Claude Code на практике

https://anthropic.skilljar.com/claude-code-in-action

tags: #курсы #ai

➡ Data Scientist | Чат

📰 Nano Banana 2 официально вышла!

Google серьёзно прокачали генерацию: упор на консистентность, референсы и работу с внешними данными.

Что нового:

🤭 Сохранение персонажей и объектов в рамках сессии. Можно переиспользовать их без потери деталей.
🤭 Доступ к интернету в реальном времени: модель уточняет факты, погоду, контекст и строит графики.
🤭 Текст почти без артефактов — локализация и перевод теперь выглядят адекватно.

Отдельный кайф — демо «Window Seat»: вводите точку на карте, модель проверяет погоду и время суток, а затем генерирует вид из окна с учётом реальных условий.

➡ Читать подробнее

tags: #новости

➡ 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

🗂 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

👍 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