Data Scientist | ML & AI

🔖 300+ реальных кейсов ML-систем от топовых компаний Нашли репозиторий, где собран настоящий опыт ML-инженерии — не теория из учебников, а реальные истории внедрения моделей в продакшене. Внутри кейсы от Uber, Netflix, Google и других компаний: как строили архитектуру, какие проблемы возникали, где системы ломались и какие решения помогали их восстановить. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

📰 Практика по Deep Learning вместо теории Если давно хотели написать свою первую нейросеть, сохраните эту статью. Автор показывает полный цикл разработки текстового классификатора: 🫡 подготовка датасета; 🫡 токенизация и эмбеддинги; 🫡 построение модели в Keras; 🫡 обучение и оценка качества; 🫡 сохранение модели и развёртывание. ⛓️ Читать статью tags: #статья ➡ Data Scientist | Чат

🔖 Бесплатная книга по Data Science Если хотите глубже разобраться в анализе данных на Python, этот материал стоит сохранить. В книге подробно разбираются NumPy, Pandas, визуализация данных, машинное обучение и другие ключевые инструменты, которые ежедневно используются. ⛓ Ссылка на книгу tags: #полезное ➡ Data Scientist | Чат

🔖 AI-инструмент для работы с данными от Microsoft Microsoft выложила в опенсорс приложение, которое использует большие языковые модели для преобразования данных и построения визуализаций. Инструмент помогает быстрее исследовать датасеты, готовить данные к анализу и создавать графики с помощью ИИ. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

🔖 Как создать свою LLM с нуля? Нашли практический ресурс для тех, кто хочет разобраться в устройстве AI-моделей. Пошагово показывают создание собственной модели: подготовка данных, токенизация, pre-training и fine-tuning. ⛓ Забираем тут tags: #полезное ➡ Data Scientist | Чат

📰 Градиентный спуск: фундамент машинного обучения Нашли подробный гайд, который объясняет один из самых важных алгоритмов в ML — от теории до реализации на Python. В статье простым языком объясняют принцип работы градиентного спуска, разбирают популярные оптимизаторы (SGD, Momentum, RMSprop, Adam) и показывают, как реализовать алгоритм с нуля. ⛓️ Читать статью tags: #статья ➡ Data Scientist | Чат

🔖 5 бесплатных курсов по AI-агентам Внутри: 1. Hugging Face — AI Agents Course 2. DeepLearningAI — AI Agents in LangGraph 3. DeepLearningAI — Multi AI Agent Systems with CrewAI 4. Microsoft Learn — AI Agents for Beginners 5. DeepLearningAI — Building Code Agents with Hugging Face smolagents Если хотите разобраться в Agentic AI, сохраняйте подборку. tags: #полезное ➡ Data Scientist | Чат

🔖 Инструкция для AI-агентов Обратите внимание на AGENTS.md — справочник, посвящённый одноимённому файлу с инструкциями для AI-агентов. На сайте объясняют, что стоит включать в AGENTS.md, как его правильно оформлять и показывают примеры из более чем 60 тысяч проектов. tags: #полезное ➡ Data Scientist | Чат

🔖 Добавляем DeepSeek и Kimi в Codex Нашли полезный инструмент для тех, кто пользуется Codex. Что умеет: 🫡 добавляет Kimi K3 в список моделей; 🫡 подключает DeepSeek V4 Flash и DeepSeek V4 Pro; 🫡 не ломает встроенные GPT-модели; 🫡 автоматически создаёт резервную копию конфигурации; 🫡 поддерживает безопасный откат изменений. Проект полностью бесплатный и с открытым исходным кодом. ⛓ Забираем тут tags: #полезное ➡ Data Scientist | Чат

🔖 Google DeepMind выпустила книгу How to Scale Your Model В ней разбирают, как масштабировать и запускать модели при ограниченных вычислительных ресурсах. Полезно для тех, кто работает с оптимизацией и развёртыванием ML-моделей. ⛓ Ссылка на книгу tags: #полезное ➡ Data Scientist | Чат

🔖 Большая подборка ресурсов по MLOps Нашли полезную подборку для тех, кто хочет выйти за рамки обучения моделей и разобраться с их эксплуатацией. В репозитории собраны лучшие материалы по деплою, мониторингу, автоматизации ML-пайплайнов, CI/CD и другим практикам, без которых сложно представить production-системы. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

🔖 Практический ML-справочник Нашли компактный справочник по машинному обучению, где собраны основные алгоритмы, формулы и логика построения ML-пайплайнов. Хороший вариант, когда нужно быстро освежить тему без длинных лекций и курсов. ⛓ Ссылка на справочник tags: #полезное ➡ Data Scientist | Чат

🔖 Бесплатная книга Джеффа Эриксона по алгоритмам Годный учебник по алгоритмам с понятными объяснениями и большим количеством наглядных иллюстраций. Подойдёт как для системного изучения алгоритмов, так и в качестве справочника, к которому можно возвращаться по мере необходимости. ⛓ Ссылка на книгу tags: #полезное ➡ Data Scientist | Чат

🔖 Как работает Event Loop: разбор на примере libuv Event loop — одна из базовых концепций асинхронного программирования, особенно полезная при работе с AI-агентами и другими системами, где одновременно выполняется множество задач. В гайде подробно разбирается libuv: event loop, асинхронный ввод-вывод и основные механизмы работы библиотеки. Многие из этих принципов применимы далеко за её пределами. ⛓ Ссылка на гайд tags: #полезное ➡ Data Scientist | Чат

🔖 Бесплатные курсы по ИИ от Google В подборке обучение для работы, учёбы и бизнеса: 🫡 Accelerate Your Job Search with AI — как использовать ИИ для поиска работы: составление резюме, адаптация под вакансии, подготовка к интервью через Gemini; 🫡 AI for Small Businesses — внедрение нейросетей в бизнес для автоматизации процессов и работы с клиентами; 🫡 AI for Students — как применять ИИ для поиска информации и организации учёбы; 🫡 Getting Started with Gemini — базовый курс по интерфейсу и промптам Gemini; 🫡 Introduction to Large Language Models — как устроены LLM и где их применять на практике; 🫡 Introduction to Image Generation— основы генерации изображений с помощью ИИ. После обучения можно получить сертификат для портфолио или LinkedIn. tags: #полезное ➡ Data Scientist | Чат

🔖 ML-алгоритмы в визуализациях Полезный репозиторий, который помогает понять, как работают алгоритмы машинного обучения — через интерактивные схемы и пошаговую математику. Можно запускать в браузере или локально через Docker. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

🔖 Практический справочник по инференсу Полезный ресурс от Modular для тех, кто хочет разобраться, как запускаются и оптимизируются большие языковые модели на этапе inference. Подойдёт для изучения производительности, архитектуры инференс-систем и практических подходов к работе с LLM.. ⛓ Ссылка на Handbook tags: #полезное ➡ Data Scientist | Чат

🔖 Большая база материалов по математике Репозиторий собирает бесплатные ресурсы по разным разделам математики: Khan Academy, MIT OpenCourseWare, учебники, конспекты лекций и другие материалы. Хорошая основа для тех, кому нужна математика под ML, Data Science и не только. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

🔖 ML-шпаргалки на все случаи Регрессия, PCA, ансамбли, нейросети и другие темы Data Science — всё сжато в короткие PDF без лишней воды. Плюс есть отдельные материалы для подготовки к интервью с типовыми вопросами. ⛓ Ссылка на шпоры тут, а разборы для собесов здесь tags: #полезное ➡ Data Scientist | Чат

🔖 Machine Learning в визуализациях На ML Visualized можно буквально наблюдать, как модели обучаются и как меняется их поведение по ходу процесса. Такой формат сильно упрощает понимание алгоритмов: меньше абстракции, больше наглядности. tags: #полезное ➡ Data Scientist | Чат

🔖 Практический roadmap по LLM inference Нашли репозиторий, где весь путь строится вокруг одного inference-сервиса. Сначала разбираете базовую архитектуру, затем запускаете модель, подключаете метрики, гоняете нагрузку с 1000+ одновременных запросов и переходите к оптимизации производительности. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

🔖 Практический гайд по трансформерным моделям Практический репозиторий для изучения трансформеров через Jupyter-ноутбуки. 12 глав: от основ архитектуры до развёртывания моделей. Код можно сразу запускать в Google Colab. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

🔖 62 страницы, на которых стоит современный ML В 1933 году Колмогоров сформулировал фундамент современной теории вероятностей в небольшой книге «Основы теории вероятностей». Спустя почти век эти идеи по-прежнему лежат в основе статистики и машинного обучения. ⛓ Ссылка на GitHub tags: #полезное ➡ Data Scientist | Чат

🔖 Python для ML-инженеров: курс с практикой Нашли бесплатный курс о том, как применять Python в инженерных задачах: автоматизация, анализ данных, визуализация и работа с ИИ. Внутри: 🫡 Основы Python для инженерных задач; 🫡 NumPy для вычислений; 🫡 Pandas для работы с данными; 🫡 Matplotlib для визуализации; 🫡 Применение ИИ в инженерных процессах; 🫡 Практические кейсы из машиностроения. ⛓ Ссылка на курс tags: #полезное ➡ Data Scientist | Чат