42550
DS По всем вопросам- @haarrp @ai_machinelearning_big_data - machine learning @pythonl - Python @itchannels_telegram - 🔥 best it channels @ArtificialIntelligencedl - AI @pythonlbooks-📚 @programming_books_it -📚 Реестр РКН: https://clck.ru/3Fk3zS
⚠ Большинство компаний считают, что у них есть проблема с данными. Но когда дело доходит до практики, возникает главный вопрос: как измерить качество данных и начать его улучшать?
🚀 20 апреля в 20:00 МСК на открытом уроке разберём, как измерять качество данных с помощью технических метрик — полнота, уникальность, валидность и другие. Покажем, как проводить профилирование данных и как связать показатели качества с бизнес-процессами через мониторинг в Grafana. Отдельно обсудим роли в процессе управления качеством данных: кто отвечает за проверки, как распределять ответственность по матрице RACI и с чего начать внедрение Data Quality в компании.
Вы получите практическую стратегию запуска пилотного проекта контроля качества данных.
➡ Открытый урок проходит в преддверии старта курса «Качество данных (Data Quality)». Принять участие: https://otus.pw/qVs0/?erid=2W5zFHswYYH
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.
Detecting and Correcting Reference Hallucinations in Commercial LLMs and Deep Research Agents
Read
@datascienceiot
Farther the Shift, Sparser the Representation: Analyzing OOD Mechanisms in LLMs
📓 Book
@datascienceiot
Полезный пост от исследователей AI VK про актуальные направления в RecSys: generative retrieval, long-term моделирование и end-to-end системы
Читать полностью…
🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇
🖥 ИИ: t.me/ai_machinelearning_big_data
🖥 Python: t.me/pythonl
🖥 Linux: t.me/linuxacademiya
🖥 C++ t.me/cpluspluc
🖥 Docker: t.me/DevopsDocker
🖥 Хакинг: t.me/linuxkalii
🖥 Devops: t.me/DevOPSitsec
👣 Golang: t.me/Golang_google
🖥 Аналитика: t.me/data_analysis_ml
🖥 Javascript: t.me/javascriptv
🖥 C#: t.me/csharp_ci
🖥 Java: t.me/javatg
🖥 Базы данных: t.me/sqlhub
👣 Rust: t.me/rust_code
🤖 Технологии: t.me/vistehno
💰 Экономика и инвестиции в ИИ t.me/financeStable
💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi
🖥Подборка по Golang: /channel/addlist/MUtJEeJSxeY2YTFi
⚡️ Лучшие ИИ ресурсы: /channel/addlist/2Ls-snqEeytkMDgy
Max ИИ: https://max.ru/ai_machinelearning_big_data
Max Ml: https://max.ru/vistehno
Max python: https://max.ru/pythonl
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Max Java: https://max.ru/javatg
Max Sql: https://max.ru/sqlhub
Max Devops: https://max.ru/DevOPSitsec
Анализ данных: https://max.ru/data_analysis_ml
C++ : https://max.ru/cpluspluc
C#: https://max.ru/csharp_ci
🖥 Chatgpt бот в тг: t.me/Chatgpturbobot
📚 Бесплатные ит-книги: /channel/addlist/HwywK4fErd8wYzQy
ATTENTION (AND MONEY) IS ALL YOU NEED: WHY UNIVERSITIES ARE STRUGGLING TO KEEP AI TALENT
📚 Read
@datascienceiot
The Complete Guide to Building Skills for Claude
📚 Read
@datascienceiot
CUDA Agent: Large-Scale Agentic RL for High-Performance CUDA Kernel Generation
https://arxiv.org/abs/2602.24286
@datascienceiot
2026 Agentic Coding Trends Report
📚 Read
@datascienceiot
"Golden Goose", a simple trick to synthesize unlimited RLVR tasks from unverifiable internet text. "
📚 Read
@datascienceiot
System Card: Claude Opus 4.6
📚 Read
@datascienceiot
“Self-Distilled RLVR”
Most reasoning RL rewards are reliable, but too sparse.
📓 Book
@datascienceiot
✔️ 10 книг, чтобы понять, как реально работают LLM (2026)
1. Deep Learning
https://deeplearningbook.org
Библия нейросетей - backprop, архитектуры, вся база
2. Artificial Intelligence: A Modern Approach
https://aima.cs.berkeley.edu
Фундаментальный взгляд на AI как систему
3. Speech and Language Processing
https://web.stanford.edu/~jurafsky/slp3/
NLP, трансформеры и язык - максимально глубоко
4. Machine Learning: A Probabilistic Perspective
https://probml.github.io/pml-book/
Вероятности, статистика и основа ML
5. Understanding Deep Learning
https://udlbook.github.io/udlbook/
Современное объяснение DL с хорошей интуицией
6. Designing Machine Learning Systems
https://oreilly.com/library/view/designing-machine-learning/9781098107956/
Как довести модели до продакшена
7. Generative Deep Learning
https://github.com/3p5ilon/ML-books/blob/main/generative-deep-learning-teaching-machines-to-paint-write-compose-and-play.pdf
Практика генеративных моделей и трансформеров
8. Natural Language Processing with Transformers
https://dokumen.pub/natural-language-processing-with-transformers-revised-edition-1098136799-9781098136796-9781098103248.html
Как строить NLP-системы на трансформерах
9. Machine Learning Engineering
https://mlebook.com
Инженерия ML и продакшен
10. The Hundred-Page Machine Learning Book
https://themlbook.com
Суперконцентрированная база без лишнего
🚀 GigaChat 3.1 Ultra и GigaChat 3.1 Lightning в опенсорс под MIT лицензией!
Обе модели
• Обучены с нуля — без инициализации зарубежными весами
• MoE + MTP + MLA
• Совместимы с HuggingFace, llama.cpp / vLLM / SGLang
Код и веса уже на платформе GitVerse.
Это не просто релиз весов, а результат большой инженерной работы над качеством, alignment и стабильностью модели. В блоге команда поделилась результатами и своими наработками.
В релизе: высокие результаты на аренах, улучшенный function calling, решённая проблема циклов, DPO в нативном FP8, найденный и зарепорченный баг в SGLang при dp > 1.
🚨 Google DeepMind caught Gemini cheating at chess.
📓 Book
@datascienceiot
BitVLA: 1-bit Vision-Language-Action Models for Robotics Manipulation
📓 Book
@datascienceiot
Python code for Artificial Intelligence Foundations of Computational Agents
📓 Book
@datascienceiot
NATURAL EMERGENT MISALIGNMENT FROM REWARD HACKING IN PRODUCTION RL
📚 Read
@datascienceiot
“The Economics of Digital Intelligence Capital”
📚 Read
@datascienceiot
Anthropic Performance Team Take-Home for Dummies
📚 Read
@datascienceiot
FireRed-Image-Edit is a general-purpose image editing model that delivers high-fidelity and consistent editing across a wide range of scenarios.
📚 HF
@datascienceiot
ERNIE 5.0 Technical Report
📚 Read
@datascienceiot
🔥 Полезная подборка каналов только код, практика и самые передовые инструменты, которые используют разработчики прямо сейчас.👇
🖥 ИИ: t.me/ai_machinelearning_big_data
🖥 Python: t.me/pythonl
🖥 Linux: t.me/linuxacademiya
🖥 C++ t.me/cpluspluc
🖥 Docker: t.me/DevopsDocker
🖥 Хакинг: t.me/linuxkalii
🖥 Devops: t.me/DevOPSitsec
👣 Golang: t.me/Golang_google
🖥 Аналитика: t.me/data_analysis_ml
🖥 Javascript: t.me/javascriptv
🖥 C#: t.me/csharp_ci
🖥 Java: t.me/javatg
🖥 Базы данных: t.me/sqlhub
👣 Rust: t.me/rust_code
🤖 Технологии: t.me/vistehno
💰 Экономика и инвестиции в ИИ t.me/financeStable
💼 Актуальные вакансии: t.me/addlist/_zyy_jQ_QUsyM2Vi
🖥 Chatgpt бот в тг: t.me/Chatgpturbobot
📚 Бесплатные ит-книги: /channel/addlist/HwywK4fErd8wYzQy
🖥Подборка по Golang: /channel/addlist/MUtJEeJSxeY2YTFi
⚡️ Лучшие ИИ ресурсы: /channel/addlist/2Ls-snqEeytkMDgy
Самое лучшее в этом: ты учишься даже тогда, когда “нет времени, просто потому что читаешь правильную ленту.
Changes in Coding Behavior and Performance Since the Introduction of LLMs
📚 Read
@datascienceiot
Инженеры AI VK перевели рекомендации, поиск и рекламу на единую Discovery-платформу.
Ключевая идея:
не строить ML-инфраструктуру под каждый продукт, а тиражировать лучшие практики системно.
Что внутри:
• единые потоки данных
• стандартизированные пайплайны
• быстрые эксперименты
• переиспользование моделей
Результат:
• онбординг новых инженеров — быстрее
• сократился time-to-market для рекомендательных алгоритмов
• скорость итераций в апгрейде алгоритмов — выше
Продуктовые метрики растут кратно. Хороший пример того, как платформенное решение влияет не только на инженеров, но и на пользователей.
How scientists are using Claude to accelerate research and discovery
📚 Read
@datascienceiot