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
Agent Memory Is a Surface for Endogenous Authorization Laundering
📘 Paper
@datascienceiot
Physics-based Deep Learning: Combining Deep Learning with Physical Simulations
📘 Paper
@datascienceiot
Regularized Recursive Self-Improvement of Agent Harnesses
📘 Paper
@datascienceiot
Не отставайте от рынка — учитесь со скидкой 16%
Если чувствуете, что стоите на месте, и хотите освоить востребованную профессию, — сейчас хороший момент начать.
Потому что до 30 сентября на все курсы Практикума действует скидка 16%.
Выбрать курс
Вы сможете:
— получить актуальные навыки;
— освоить ИИ-инструменты для работы;
— перенять опыт экспертов, которые двигают индустрию;
— попасть в сообщество выпускников, где можно попросить совета и, возможно, найти будущих коллег.
Просто выберите курс, начните учиться бесплатно и получите скидку 16% — она автоматически появится в личном кабинете.
Учиться!
Erid: 2SDnjezu8Km
Название: ООО "ЯНДЕКС"
ИНН: 7736207543
📘 Hidden Markov Models (HMM)
Короткий материал от Stanford по одной из классических моделей машинного обучения для работы с последовательностями.
Внутри разбираются:
- состояния и наблюдения
- transition и emission probabilities
- вычисление вероятности последовательности
- декодирование скрытых состояний
- обучение параметров HMM
- применение к последовательным данным
Хороший компактный материал, если нужно быстро разобраться, как работают скрытые марковские модели без чтения огромного учебника.
https://web.stanford.edu/~jurafsky/slp3/A.pdf
Data Science Theories, Models, Algorithms, and Analytics:
FREE PDF Download, 462 pages
Understanding Attention
From Q, K, V to Modern Transformer Attention
📓 Read
@datascienceiot
📘 Mathematics of Deep Learning: An Introduction
Authors: Leonid Berlyand & Pierre-Emmanuel Jabin
Edition: 2nd revised and extended edition (2026)
Pages: 333 pages
Publisher: De Gruyter
📓 Read
@datascienceiot
📚 Бесплатная книга по выпуклой оптимизации - 130 страниц
"Convex Optimization: Algorithms and Complexity" - хорошее введение в алгоритмы выпуклой оптимизации и их вычислительную сложность.
Внутри:
* градиентные методы
* ускоренные методы
* субградиентная оптимизация
* проксимальные алгоритмы
* first-order methods
* оценки скорости сходимости
* сложность оптимизационных алгоритмов
Полезно для ML, математики и тех, кто хочет глубже понять, что стоит за обучением моделей.
PDF:
https://arxiv.org/abs/1405.4980
Встраивайте систему распознавания документов в ваш продукт за 15 минут 🚀
Если вы развиваете SaaS, автоматизируете B2B-процессы или собираете ИИ-агентов, вопрос безопасности и скорости обработки документов всегда встает ребром.
Provision OCR — это мощный российский движок для on-premise и private cloud развертывания.
⚡️ 100% локальности: данные не покидают ваш сервер.
⚡️ Скорость: обработка <3 сек/страница на GPU 2070 и выше, Поддержка CPU , точность до 99%
⚡️ Быстрая и бесшовная интеграция через REST API + gRPC.
⚡️ Поддержка разных документов на русском языке: договоры, счета и другие.
💡 Дистрибутив в нашем Telegram-канале: @ProvisionLabs
💻 Примеры кода на GitHub:
https://github.com/orgs/Provision-Labs/repositories
#OCR #ProvisionOCR #Документы #Разработка #Python #AI #OnPremise
10 бесплатных книг по программированию, которые можно читать прямо с GitHub
1. The Rust Programming Language
https://github.com/rust-lang/book
2. Rust by Example
https://github.com/rust-lang/rust-by-example
3. The Little Book of Rust Books
https://github.com/lborb/book
4. Python Data Science Handbook
https://github.com/jakevdp/PythonDataScienceHandbook
5. Dive Into Deep Learning
https://github.com/d2l-ai/d2l-en
6. Probabilistic Machine Learning
https://github.com/probml/pml-book
7. Algorithms for Decision Making
https://github.com/algorithmsbooks/algforopt-notebooks
8. Operating Systems: Three Easy Pieces
https://github.com/remzi-arpacidusseau/ostep-homework
9. Crafting Interpreters
https://github.com/munificent/craftinginterpreters
10. Free Programming Books — огромная библиотека бесплатных книг по Python, Java, C++, Go, AI, SQL, Linux и десяткам других тем
https://github.com/EbookFoundation/free-programming-books
Последний репозиторий особенно полезен: там собрана огромная регулярно обновляемая база легально доступных книг и учебных материалов по программированию.
What Does Context Compression Cost an Agent? Interaction Costs Unrevealed by Task-Completion Metrics
5× context compression did surprisingly little to GPT-5.5’s final task result.
📓 Read
@datascienceiot
Deep systemic analysis of AI constraints from context to internal weight editing.
📂 PDF
#AIRedTeaming #AISafety #LLMs #AIJailbreak #Pliny
Title: "A Year in LLM Serving: Workload Evolution, Caching and Load-Balancing"
arxiv. org/abs/2608.13573
Kimi Delta Attention.
— a minimal implementation of the Kimi K3 architecture.
http://k-a.in/KDA.html
Участвуй во всероссийском ИТ-чемпионате МТС True Tech Champ 2026 c призовой фондом 10 250 000 рублей.
Если тебе нравятся алгоритмы, структуры данных и задачи на чистую логику — участвуй в алгоритмическом треке с индивидуальным зачетом.
Решай задачи разного уровня сложности: от базовых до тех, что проверяют скорость мышления и умение оптимизировать решения за ограниченное время.
В финале лучшие 120 участников алгоритмического трека сразятся в лайв-кодинге за шесть призовых мест и 2 750 000 рублей. Всех финалистов ждут:
— Лимитированный мерч;
— Сертификаты об участии;
— Масштабное мероприятие с выступлениями хэдлайнеров и фестивальными активностями.
Успей зарегистрироваться и пройти отборочный этап до 27 сентября
🔥 DataLens Platform: что происходит, когда data stack собирают в одну систему
Yandex B2B Tech представила платформу, которая объединяет хранение, обработку, визуализацию и ИИ-аналитику данных.
Вместо связки из нескольких инструментов данные можно обрабатывать и анализировать в единой среде. Встроенный ИИ-помощник принимает запросы на обычном языке и помогает получать показатели без ручной сборки отчётов.
Отдельно интересна архитектура: storage и compute масштабируются независимо. Растет объем данных — увеличивается хранилище; растёт нагрузка на расчёты — добавляются вычислительные мощности.
По оценке Yandex B2B Tech, такой подход может сократить затраты на аналитику до 30%, а подготовку отчетов и дашбордов — ускорить в 3–5 раз.
📎 Подробнее о платформе — в материале СМИ.
ττ-bench treats agent building like a real client job.
📘 Paper
@datascienceiot
Thinking with Looped Flows
📘 Paper
@datascienceiot
Banger report from Microsoft.
They introduce a 4B coding agent trained on roughly 1,500 software engineering environments.
📘 Paper
@datascienceiot
When AI Takes the Couch: Psychometric Jailbreaks Reveal Internal Conflict in Frontier Models
Read
Mathematics for Computer Science
Free 920-page PDF download, from MIT:
📓 Read
@datascienceiot
Инженеры AI VK отказались от бустинга в финальном ранжировании рекомендаций и перешла на многозадачный нейроранкер DCDN.
Что изменилось:
• вместо одного score модель отдельно предсказывает лайк, дизлайк и Watch Time
• Learning to Rank объединяет эти сигналы в финальную оценку
• CTR и другие отношения сеть учит напрямую из сырых счётчиков - деление встроено в архитектуру
• ручного Feature Engineering стало заметно меньше
Read
Towards an AI-Augmented Textbook:
📓 Read
@datascienceiot
Mathematical Theory of Deep Learning:
333-page PDF.
📓 Read
@datascienceiot
🔥 Хочешь быстрее расти в IT? Хватит учиться в одиночку
Окружение решает больше, чем кажется.
Собрал папки и каналы, где можно быстрее влиться в нужное направление, следить за трендами и не вариться в своём пузыре.
AI: t.me/ai_machinelearning_big_data
Python: t.me/pythonl
Linux: t.me/linuxacademiya
Хакинг: t.me/linuxkalii
DevOps: t.me/DevOPSitsec
Docker: /channel/+90Z5TAyfuNU5YmRi
Golang: t.me/Golang_google
Rust: t.me/rust_code
C++: t.me/cpluspluc
C#: t.me/csharp_1001_notes
Java: t.me/javatg
JavaScript: t.me/javascriptv
React: t.me/react_tg
Frontend: t.me/front
PHP: t.me/phpshka
Android: t.me/android_its
Мобильная разработка: t.me/mobdevelop
Базы данных: t.me/sqlhub
Data Science: t.me/data_analysis_ml
Big Data: t.me/bigdatai
Математика: t.me/data_math
Физика: t.me/fizmat
Kubernetes: t.me/kubernetc
GameDev: /channel/gamedev
Haskell: t.me/haskell_tg
Собеседования и карьера:
DS собеседования: t.me/machinelearning_interview
Python собеседования: t.me/python_job_interview
Папка с вакансиями: t.me/addlist/_zyy_jQ_QUsyM2Vi
Папка Go разработчика: t.me/addlist/MUtJEeJSxeY2YTFi
Папка Python разработчика: t.me/addlist/eEPya-HF6mkxMGIy
Папка ML: /channel/addlist/2Ls-snqEeytkMDgy
Папка Frontend: /channel/addlist/mzMMG3RPZhY2M2Iy
Полезное сверху:
ИТ-мемы: t.me/memes_prog
Английский для программистов: t.me/english_forprogrammers
ИИ и технологии: t.me/vistehno
954 ГБ open-source курсов: /channel/+rKBQEMccAA01MTcy
ИТ-книги бесплатно: /channel/addlist/BkskQciUW_FhNjEy
Max Ai: https://max.ru/ai_machinelearning_big_data
Max python: https://max.ru/pythonl
ТЕХНО: https://max.ru/vistehno
Max Go: https://max.ru/Golang_google
Max Linux: https://max.ru/linuxkalii
Devops: https://max.ru/DevOPSitsec
C#: https://max.ru/csharp_ci
C++: https://max.ru/cpluspluc
SQL: https://max.ru/sqlhub
Java: https://max.ru/javatg
Подписывайся на нужные направления и собирай себе ленту, которая реально двигает вперёд.
Вырастили целое дерево из агентов 🌳
Мы в Авито разработали единую платформу для процессов. Самые лучшие и популярные становятся агентами. В итоге каждый сотрудник может создать свой процесс или воспользоваться готовым. Классно? Не то слово! Поэтому мы написали статью, как создавали это решение.
О чём узнаете, если прочитаете:
🔸как устроена архитектура платформы,
🔸как процесс становится агентом,
🔸как измерять качество агентов.
Читать статью 🚀
Бесплатная книга по performance engineering
В Algorithmica хорошо разобрали, почему классическая оценка сложности всё хуже отражает реальную производительность на современном железе.
Раньше модель была довольно логичной: процессор выполняет инструкции почти последовательно, у каждой есть своя стоимость, а значит можно примерно оценить время работы алгоритма количеством операций.
Потом всё упростили до асимптотики. Например, вместо точного количества операций в умножении матриц мы просто говорим O(n³) и игнорируем константы. Для сравнения алгоритмов на больших данных это удобно.
Но современные CPU устроены намного сложнее: кэши, конвейеры, параллельное выполнение инструкций, SIMD, prefetching, память с разной задержкой.
Поэтому два алгоритма с одинаковым O(n) могут отличаться по скорости в разы.
А иногда алгоритм с формально «хуже» сложностью на реальных размерах данных оказывается быстрее.
Хорошая серия для тех, кто хочет перейти от «у этого O(n), значит быстро» к пониманию того, как код реально выполняется процессором.
en.algorithmica.org/hpc/complexity/
@machinelearning_books
From Worm to Human:
Scaling Brain Emulation
📓 Read
@datascienceiot
Today's AI systems learn mostly by passively absorbing data, but the brain builds intelligence in the reverse order.
Grounded world models in biological organisms and future embodied AI
📓 Read
@datascienceiot