📮 Хотите, чтобы ваши ML‑модели, дашборды и базы данных наконец-то работали как система, а не зоопарк костылей? В этой подборке — бесплатные библиотеки MIT и Harvard, рекордный OCR, BI‑карты, опыт OpenAI и фундаментальная SQL‑теория.
📆 Data Science – сводка за 30 января
MIT и Harvard выложили бесплатную библиотеку по ML и ИИ — от байесов до обучения с подкреплением.
📚 В “Библиотека дата-сайентиста” собрали подборку открытых учебников, среди которых выделяются “Machine Learning Systems” про продакшн-ML и пайплайны и “Probabilistic Machine Learning” про графические модели и работу с неопределённостью. Хороший повод обновить свою теоретическую базу, не тратя ни рубля.
Новые главы «От дашборда к системе»: как превратить россыпь отчётов в одну внятную BI-карту.
🗺 “Reveal The Data” пересказывает свежие главы о том, почему делить дашборды на «операционные» и «аналитические» уже мало, и предлагает строить карту дашбордов для всего подразделения. Авторы показывают, как связать отчёты в систему, чтобы каждый знал, какой дашборд открывать под конкретный вопрос.
«Dashboards that Deliver»: книга не про красивые графики, а про понимание пользователя.
👁 В “Настенька и графики” делятся заметками из книги, где основной фокус — разбор задач, контекста и поведения пользователей, а не очередной учебник по визуализации. Автор канала показывает несколько удачных схем и приёмов анализа дашбордов, которые можно сразу тащить в работу.
PaddleOCR-VL-1.5 побила рекорды в парсинге сложных документов и при этом осталась компактной.
🤖 “Machinelearning” рассказывает о новой визуально-лингвистической модели, которая тянет кривые сканы, многоязычные документы, печати и таблицы, разорванные на несколько страниц. Модель легко прикрутить к существующим ML-стекам, а открытая лицензия упрощает внедрение в продукты.
ML Advanced от OTUS: концентрат продвинутых техник для практикующих дата-сайентистов.
🎓 “Mashkka про Data Science” делится вебинаром, где разобрали обучение с подкреплением, байесовские методы, анализ временных рядов и даже регэкспы — с прицелом на реальные кейсы. Запись и слайды уже доступны, можно пройтись по темам в своём темпе.
Дата-платформа OpenAI: 600 ПБ, 70 тысяч датасетов и проблема «какую из сотни похожих таблиц брать?».
🗄 “Время Валеры” пересказывает заметку OpenAI о том, как команда с 3,5 тысячи внутренних пользователей тонет в схожих таблицах и сложных метаданных. Там тестируют специализированных агентов, которые помогают оценивать прогресс и наводить порядок в данных, но без сильной data-инженерной экспертизы это не взлетит.
На SQLpedia разобрали функциональные зависимости — тот самый фундамент нормализации БД.
🧩 “SQLpedia | Базы данных” простым языком объясняет, как функциональные зависимости помогают проектировать адекватные схемы и избегать дублирования и аномалий обновления. Материал подойдёт и тем, кто только осваивает реляционные БД, и тем, кто давно пишет сложные запросы, но хочет укрепить теорию.
🤖 svodka.ai – ИИ читает каналы, вы читаете главное
💌 Кому из ваших знакомых эти новости тоже будут полезны? Перешлите им почитать
Data Science. Подписаться на ежедневную svodka.ai
📆 Data Science – сводка за 30 января
MIT и Harvard выложили бесплатную библиотеку по ML и ИИ — от байесов до обучения с подкреплением.
📚 В “Библиотека дата-сайентиста” собрали подборку открытых учебников, среди которых выделяются “Machine Learning Systems” про продакшн-ML и пайплайны и “Probabilistic Machine Learning” про графические модели и работу с неопределённостью. Хороший повод обновить свою теоретическую базу, не тратя ни рубля.
Новые главы «От дашборда к системе»: как превратить россыпь отчётов в одну внятную BI-карту.
🗺 “Reveal The Data” пересказывает свежие главы о том, почему делить дашборды на «операционные» и «аналитические» уже мало, и предлагает строить карту дашбордов для всего подразделения. Авторы показывают, как связать отчёты в систему, чтобы каждый знал, какой дашборд открывать под конкретный вопрос.
«Dashboards that Deliver»: книга не про красивые графики, а про понимание пользователя.
👁 В “Настенька и графики” делятся заметками из книги, где основной фокус — разбор задач, контекста и поведения пользователей, а не очередной учебник по визуализации. Автор канала показывает несколько удачных схем и приёмов анализа дашбордов, которые можно сразу тащить в работу.
PaddleOCR-VL-1.5 побила рекорды в парсинге сложных документов и при этом осталась компактной.
🤖 “Machinelearning” рассказывает о новой визуально-лингвистической модели, которая тянет кривые сканы, многоязычные документы, печати и таблицы, разорванные на несколько страниц. Модель легко прикрутить к существующим ML-стекам, а открытая лицензия упрощает внедрение в продукты.
ML Advanced от OTUS: концентрат продвинутых техник для практикующих дата-сайентистов.
🎓 “Mashkka про Data Science” делится вебинаром, где разобрали обучение с подкреплением, байесовские методы, анализ временных рядов и даже регэкспы — с прицелом на реальные кейсы. Запись и слайды уже доступны, можно пройтись по темам в своём темпе.
Дата-платформа OpenAI: 600 ПБ, 70 тысяч датасетов и проблема «какую из сотни похожих таблиц брать?».
🗄 “Время Валеры” пересказывает заметку OpenAI о том, как команда с 3,5 тысячи внутренних пользователей тонет в схожих таблицах и сложных метаданных. Там тестируют специализированных агентов, которые помогают оценивать прогресс и наводить порядок в данных, но без сильной data-инженерной экспертизы это не взлетит.
На SQLpedia разобрали функциональные зависимости — тот самый фундамент нормализации БД.
🧩 “SQLpedia | Базы данных” простым языком объясняет, как функциональные зависимости помогают проектировать адекватные схемы и избегать дублирования и аномалий обновления. Материал подойдёт и тем, кто только осваивает реляционные БД, и тем, кто давно пишет сложные запросы, но хочет укрепить теорию.
🤖 svodka.ai – ИИ читает каналы, вы читаете главное
💌 Кому из ваших знакомых эти новости тоже будут полезны? Перешлите им почитать
Data Science. Подписаться на ежедневную svodka.ai