Data Science

19 June 2026 11:04

Latent Thought Flow

📓 book

@datascienceiot

Data Science

17 June 2026 16:41

Making SEC filings machine-readable without losing context is the real infrastructure play for financial AI.

📓 book

@datascienceiot

Data Science

17 June 2026 13:01

Predicting LLM Safety Before Release
by Simulating Deployment

📓 book

@datascienceiot

Data Science

10 June 2026 17:05

⚡️ Machine Learning Roadmap 2026: большая карта входа в ML без сказок про “нейросети за месяц

Большой русскоязычный roadmap по машинному обучению: от первого import numpy до LLM, RAG, fine-tuning, AI-агентов и MLOps и даже вабкодинга.

Внутри нормальная структура: что учить, в каком порядке, зачем это нужно и что должно получиться на практике после каждого этапа.

Roadmap разбит на 7 треков:

1. Фундамент: Python, математика, статистика, инструменты
2. Классический ML: scikit-learn, табличные данные, метрики, валидация
3. Deep Learning: PyTorch, CNN, RNN, training loop
4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты
5. Generative AI: изображения, видео, аудио, мультимодальность
6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving
7. Специализация: CV, NLP, RecSys, RL, Safety

Roadmap не продаёт иллюзию “обучил модель - стал ML-инженером”.

В реальной работе много времени уходит на данные, метрики, деплой, мониторинг, воспроизводимость и разбор ошибок. Модель - только часть системы.

Хорошая мысль из roadmap: LLM не делает джуна сеньором. Она ускоряет того, кто уже понимает базу. Без базы человек просто становится оператором Copilot, который не может объяснить, почему всё сломалось.

По времени тоже без сказок:

1. 0-3 месяца: математика, классический ML
2. 3-6 месяцев: Deep Learning и PyTorch
3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты
4. 12+ месяцев: MLOps, прод, масштабирование, специализация

Тут же собрано 7 болших бесплатных курсов по машинному обучению, математике и вайбкодингу!

Если давно хотели зайти в ML системно, а не прыгать между роликами про ChatGPT, Stable Diffusion и “топ-10 библиотек”, это хороший ориентир.

https://github.com/justxor/MachineLearningRoadmap

Data Science

03 June 2026 16:29

AI-Driven Multi-Region Provisioning for Cloud Services Using Spot Fleets

📗 Read

@datascienceiot

Data Science

02 June 2026 17:33

A 178 page survey study for refreshing math and generative AI foundations from University of Huddersfield.

The Little Book of Generative AI Foundations.

📗 Read

@datascienceiot

Data Science

27 May 2026 17:37

"Language Models Need Sleep"

📚 Read

@datascienceiot

Data Science

20 May 2026 13:48

Apple has published a paper with a devastating title: “The Illusion of Thinking”

📗 Read

@datascienceiot

Data Science

19 May 2026 22:51

Best practices for computer and browser use with Claude

📗 Read

@datascienceiot

Data Science

18 May 2026 11:04

Получите офер в Яндекс за 2 дня

Участвуйте в онлайн-мероприятиях быстрого найма. Такой формат позволяет пройти всего две секции, вместо трёх в обычном найме, и финалы за выходные и сразу получить офер.

Как всё устроено:

🔴 Зарегистрируйтесь на мероприятие — с вами свяжется рекрутер и договорится об удобном времени для интервью.

🔴 В субботу пройдите две технические секции.

🔴 В воскресенье познакомьтесь с командами и получите офер.

Какие мероприятия проводим:

⚡️30–31 мая Weekend Offer ML

Для ML- и DL-инженеров с опытом в доменных областях NLP, CV, RecSys и Classic ML.

Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-ml-0526

⚡️6–7 июня Weekend Offer Analytics

Для продуктовых, дата-аналитиков и датасаентистов с опытом на Python от 3 лет.

Подробности и регистрация — на сайте: https://yandex.ru/project/events/wo-analytics-0626

Data Science

14 May 2026 13:12

The new Claude for Legal repo gives firms and in-house teams prebuilt agent workflows for contract review, litigation prep, and regulatory monitoring—completely free.

🔗 https://github.com/anthropics/claude-for-legal

@datascienceiot

Data Science

07 May 2026 22:59

GLM-5V-Turbo: Toward a Native Foundation Model for Multimodal Agents

📗 Read

@datascienceiot

Data Science

06 May 2026 17:56

Can LLM agents explore codebases and reason about code semantics without executing the code

📗 Read

@datascienceiot

Data Science

23 April 2026 13:31

Image Generators are Generalist Vision Learners

📗 Read

@datascienceiot

Data Science

22 April 2026 19:02

🌟 Boxer: модель для подъема 2D-детекций в 3D.

У WildDet3D от Института Аллена появился сосед по задаче: Reality Labs корпорации Марка Цукерберга опубликовала проект с той же целью - перевести 2D-детекции в 3D, но с иным профилем возможностей и открытости.

Boxer - более узкий, но геометрически более строгий инструмент для indoor-сценариев с трекингом и фузией.

Пайплайн трехступенчатый:

🟢детектор OWLv2 находит объекты в кадре;

🟢BoxerNet с DINOv3 под капотом через кросс-внимание поднимает каждую 2D-рамку в 3D, опираясь на внутренние параметры камеры, направление гравитации и глубину;

🟢детекции между кадрами либо сливаются офлайн через венгерский алгоритм, либо ведутся онлайн-трекером.

В отличие от WildDet3D, Boxer работает с видеопоследовательностями: ему нужны 6-DoF позы каждого кадра, гравитация и калибровка.

Взамен он дает то, чего у WildDet3D нет: согласованные сценовые 3D-боксы на уровне всей сцены и онлайн-трекинг с сохранением идентичности объектов.

Boxer поставляется как inference-решение: авторы не планируют выкладывать код обучения и оценки, объясняя это нежеланием тянуть долгосрочную поддержку.

В репозитории - только скрипты запуска и загрузчики датасетов Project Aria (Gen 1 и 2), CA-1M, SUN-RGBD и ScanNet.

Boxer запускается на macOS и Linux. Windows официально не поддерживается


📌Лицензирование: CC-BY-NC-4.0 License.


🟡Страница проекта
🟡Модель
🟡Arxiv
🖥GitHub


@ai_machinelearning_big_data

#AI #ML #CV #Detection #Boxer #RealityLabs

Data Science

18 June 2026 16:11

Fearless Concurrency on the GPU" introduces cuTile Rust

📓 book

@datascienceiot

Data Science

17 June 2026 14:41

Как ускорить ML-разработку, когда главный дефицит — не идеи, а доступ к GPU?

На infra.conf’26 Яндекс рассказал про Dev Cluster — сервис динамического распределения GPU-ресурсов для ML-команд.

Идея простая: вместо настройки окружений, ожидания свободных мощностей и ручного управления инфраструктурой разработчики за несколько кликов получают готовую GPU-конфигурацию для обучения моделей и проверки гипотез.

Ресурсы выделяются за секунды, снижаются простои GPU и эффективнее используются вычислительные мощности. В результате команды быстрее запускают эксперименты, реже упираются в инфраструктурные ограничения и сокращают путь от идеи до результата.

Dev Cluster — часть единой ML-платформы Яндекса, которая закрывает полный цикл машинного обучения: от работы с данными и обучения до применения моделей.

Data Science

11 June 2026 14:32

Everything You Always Wanted To
Know About Mathematics*

📓 book

@datascienceiot

Data Science

09 June 2026 21:55

System Card: Claude Fable 5 &
Claude Mythos 5

📗 Read

@datascienceiot

Data Science

03 June 2026 15:02

От мечты о карьере сварщика до стажировки в KAUST

История выпускника Школы анализа данных Степана Платинского — яркий пример того, куда может вывести фундаментальное образование в ML.
До 9 класса он хотел быть сварщиком. Но потом поступил в Физтех-лицей, оттуда в МФТИ, а затем в Школу анализа данных.
Сегодня он улучшает ML-модели для международного поиска Яндекса, а в прошлом году стажировался в университете KAUST в Саудовской Аравии как приглашенный исследователь.

Его цель — построить статистическую модель, которая сможет предсказывать экстремальные события вроде наводнений или обвала рынка. Этому как раз посвящена его научная работа.
Степан считает, что главное для карьеры в ML — любознательность и искреннее желание разобраться в теме.
О том, как попасть на международную стажировку и заниматься наукой параллельно с карьерой в бигтехе, читайте в интервью со Степаном.

Data Science

02 June 2026 15:33

Хакатон по моделированию рыночных решений и максимизации PnL

Reinforce.fi (ex-Overnight.fi) — проект, который использует reinforcement learning и автоматическое управление капиталом для повышения доходности на свободный USDT — запускает хакатон.

Задача — построить модель, которая на каждом шаге выбирает оптимальное действие (A1–A10) и максимизирует суммарный PnL.

Данные:
— последовательности состояний рынка (анонимизированные признаки)
— 1000 шагов в каждой последовательности
— первые шаги — контекст, далее — предсказания

Метрика:
— итоговый скор = суммарный PnL по всем выбранным действиям

Призы:
1 место — $2,500
2 место — $1,500
3 место — $1,000

Старт: конец июня

Продолжительность: ~1.5–2 месяца

Информация: тут

Регистрация

Чат хакатона: /channel/+R6lMJ10VXP5hOTI0

Data Science

27 May 2026 11:34

🐍 Python Roadmap 2026: наконец-то полноценная актуальная карта изучения Python, а не список ссылок «разберись сам»

На GitHub выложили большой русскоязычный роадмап по Python на 2026 год - от первых скриптов до уровня Middle+/Senior.

Маршрут собран под современный Python:

- Python 3.13+
- free-threaded mode без GIL
- JIT
- uv вместо боли с pip/venv/poetry
- ruff, pyright, pytest, hypothesis
- async-first подход
- типизация
- CPython внутри
- web, базы, ML/AI, DevOps и архитектура

В роадмапе есть нормальная последовательность: сначала окружение и база, потом идиомы, ООП, типы, стандартная библиотека, асинхронность, тестирование, внутренности CPython, web, базы данных, AI-направление, продакшн и архитектура.

Отдельный плюс - практический формат. На каждом этапе есть задачи, чеклисты, примеры кода и бесплатные ресурсы. То есть это не мотивационная простыня, а маршрут, по которому реально можно идти несколько месяцев и видеть прогресс.

Для новичков - понятный путь без хаоса.
Для джунов - способ закрыть дыры.
Для тех, кто уже пишет на Python - хороший чеклист, чтобы понять, где ты всё ещё плаваешь.

Python в 2026 году - это tooling, типы, async, инфраструктура, AI и продакшн-дисциплина. И этот роадмап как раз про такой Python.

https://github.com/justxor/pythonroamap2026

Data Science

20 May 2026 11:04

🆓 Диасофт выпустил бесплатный дистрибутив "S3 Архипелаг" (российское S3-совместимое хранилище для работы с петабайтами данных в архитектурах Data Lakehouse, аналитических системах и консолидации разрозненных файловых хранилищ)!

Дистрибутив разворачивается на серверах заказчика без обязательного подключения к облаку.

🔥Бесплатная версия ориентирована на тестовые, предпродуктовые и малые продуктивные среды. Она позволяет в полном объеме использовать функционал хранилища с ограничением до 500 ГБ. Бесплатная версия хранилища также упрощает администрирование за счет реализации поддержки единого входа (SSO). Это повышает безопасность и избавляет от необходимости отдельной аутентификации.

В итоге получается простой пример:
"коробочная" модель поставки + бесплатный доступ + использование SSO + полноценная вендорская поддержка = мощное преимущество предложения 😎

Скачать дистрибутив можно по ссылке!
#реклама
О рекламодателе

Data Science

18 May 2026 13:23

On Training in Imagination

📗 Read

@datascienceiot

Data Science

16 May 2026 20:30

How AI Impacts Skill Formation

📗 Read

@datascienceiot

Data Science

14 May 2026 11:00

D><Vision — серия митапов для CV-инженеров, исследователей и всех, кто работает с ИИ

📍 21 мая в 18:30, Quattro Space (Москва. Мясницкая ул., 13, стр. 20)

На ближайшей встрече вас ждут:
— Александр Паркин (VisionLabs) — визуальные аватары и как они устроены
— Анастасия Анциферова (Сбер) — генеративный ИИ в архитектуре
— Никита Шубин (ЦПТ «АГРОЦИФРА») — как ускорить разметку данных в 5 раз с помощью DataOps и foundation models
— Василий Висков (Яндекс) — как команда AliceAI VLM повышала качество модели на образовательных STEM-сценариях

D><Vision — это не только доклады, но и профессиональное комьюнити: живое обсуждение и нетворкинг.

Можно участвовать очно или подключиться к онлайн-трансляции, участие бесплатное

Регистрация

Data Science

07 May 2026 16:31

🚀 Claude Code: от «балуюсь в терминале» до агента в проде

Claude Code уже не просто пишет код. Он рефакторит монорепо, делает code review, катит миграции и ведёт расследования инцидентов.
Разница между «иногда играюсь» и «выжимаю реальные часы экономии» — огромная.

Этот курс закрывает её за 20 практических модулей.

Что соберёшь своими руками:
— кастомные slash-команды и sub-agents
— свои MCP-серверы под твой стек
— хуки и автоматизация ревью
— workflow в GitHub Actions и интеграция в CI/CD
Что получишь на выходе:

• релизы быстрее
• ревью короче
• токены дешевле
• спокойный сон по поводу безопасности

Подойдёт разработчикам, тимлидам, DevOps и архитекторам, которые почувствовали, что Claude Code - почти магия, и хотят довести её до магии на продакшене.

🎓 Курс на Stepik
🔥 Сейчас действует скидка −50%
Хватит играться. Пора выкатывать агента в прод 👉
https://stepik.org/a/285842

Data Science

24 April 2026 11:16

"DeepSeek-V4 Technical Report"

📗 Read

@datascienceiot

Data Science

23 April 2026 11:29

Два сценария: а) работаете с данными на прикладном уровне, но есть теоретические пробелы б) есть теория, но не хватает глубины в ML и инфраструктуре

Так вот. Школа анализа данных от Яндекса закроет оба этих сценария.
Двухлетняя бесплатная программа, в которой сильная теория совмещается с постоянной практикой.

Направления:

— Разработка машинного обучения
— Data Science
— Инфраструктура больших данных
— Анализ данных в прикладных науках ← особенно актуально для тех, кто на стыке DS и инженерии

Два трека поступления: классический (3 этапа) и альтернативный — для специалистов с опытом. Можно обучаться офлайн в городах присутствия, гибридно или онлайн.

Заполнить анкету на поступление можно по ссылке. Принимают заявки только до 3 мая.

Data Science

22 April 2026 16:59

«Я думал, что ИИ будет работать за меня, но в итоге я стал секретарем у нейросети»

Знакомая ситуация? Промпты написаны, API подключен, но вместо отдыха вы часами правите код за моделью и вычищаете ошибки. Автоматизация обернулась новой рутиной, потому что разовые запросы к чат-боту не встраиваются в реальные бизнес-процессы.

Проблема в том, что промпт-инжиниринг сам по себе не масштабируется. Нельзя построить надежный продукт, который держится на «удачно подобранном слове» в запросе. Чтобы ИИ приносил деньги, а не отнимал время, нужно внедрять агентские архитектуры, способные работать автономно.

datascienceiot">28 апреля на бесплатной конференции мы покажем, как это делают те, у кого цена ошибки – миллионы.

✅ Руслан из Авиасейлс расскажет, как они «обожглись» на готовых решениях и с нуля собрали свою платформу.
✅ Даниил из Сбера покажет, как не сливать по $20 на каждую метрику и заставить LLM работать на результат.
✅ Максим из TripleTen выдаст схему, как их команда маркетинга высвободила 1000+ часов в месяц с помощью ИИ-агентов. Представь, сколько это в деньгах.