Data Science

9 июля на масштабном форуме Data Day 2026 соберутся лидеры data- и AI-команд, которые формируют подходы к работе с данными, ML и AI в ведущих компаниях РФ — Сбер, X5 Tech, Т-Банк, Ozon Fintech, Lamoda, ВТБ и другие.Свое участие уже подтвердили более 60 спикеров.«Бизнес. Техноград» на ВДНХ. 1500 участников. 5 отраслевых треков. Обсудим, как все реально устроено в системах лидеров рынка. В программе:💰 Тренды AI и данных «из первых уст». На какие технологии и подходы делают ставку лидеры рынка?💰 Как превратить хаос данных в надежный бизнес-навигатор и сделать данные стратегическим активом компании.💰 Практика внедрения AI и data-driven подходов в финтехе, ритейле, логистике, промышленности и агросекторе.💰 Как находить новые точки роста, используя опыт цифровых лидеров и сильные data-команды.💰 AI-hub: выставка и центр экспертизы готовых AI-решений и автономных агентов для бизнеса.Выступают:– Дмитрий Криволапов, Lamoda. Директор департамента по данным и аналитике.– Алексей Бондаренко, Газпромбанк. Вице-президент — начальник департамента управления данными.– Дмитрий Рузанов, Альфа-Банк. Директор департамента разработки моделей.– Павел Денисенко, X5 Tech. Директор департамента развития платформы больших данных.– Артём Летин, ВТБ. Начальник управления моделирования КИБ и СМБ, вице-президент.– Валерий Поляков, Т-Банк. Лидер по данным группы Т-Технологии (Chief Data Officer).– Александр Лукьянов, ДОМ РФ Технологии. Генеральный директор.– Валентина Рудик, Ozon Fintech. Руководитель розничного кредитования.– Андрей Скачёк, М.Видео, Директор по маркетингуИ другие. 9 июля, «Бизнес. Техноград», ВДНХ, Москва. Присоединяйтесь! Форум соберет экспертов по данным, ML и AI из банков, ритейла, телекома, транспорта, агропрома и ИТ-индустрии. 👉 Программа и регистрацияP.S. Для иногородних участников AZIMUT Отель Аэростар Москва предоставит скидку 22% на проживание по промокоду DataDay.

Fearless Concurrency on the GPU" introduces cuTile Rust📓 book@datascienceiot

Проект Ozon Tech Route 256 Pro обновился, и теперь в нём есть направление Data Science.Это интенсивный онлайн-курс для специалистов с опытом. Он длится 2 месяца и охватывает классический Machine Learning, компьютерное зрение и применение генеративных моделей в реальных продуктах.Хочешь решать сложные задачи с экспертами Ozon Tech? Залетай за подробностями и оставляй заявку: https://route256.ozon.ru/ds. Это бесплатно!

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

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.

Predicting LLM Safety Before Releaseby Simulating Deployment📓 book@datascienceiot

Как сегодня создают эффективные ML-системыОбсудим 18 июля в Москве на Turbo ML Conf — флагманской конференции Т-Банка про ML.Будет три потока докладов:— глубокие исследования и новые подходы к моделям;— прикладное ML с фокусом на бизнес-метриках;— инженерные системы, делающие все это возможным.Участников ждут кейсы и лучшие практики от лидеров индустрии, демозоны с решениями от больших компаний и разговор с инженерами, которые их создают.Регистрируйся заранее и зови коллег

Everything You Always Wanted ToKnow About Mathematics*📓 book@datascienceiot

⚡️ Machine Learning Roadmap 2026: большая карта входа в ML без сказок про “нейросети за месяцБольшой 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, инструменты2. Классический ML: scikit-learn, табличные данные, метрики, валидация3. Deep Learning: PyTorch, CNN, RNN, training loop4. LLM и трансформеры: attention, KV-cache, RAG, LoRA, агенты5. Generative AI: изображения, видео, аудио, мультимодальность6. MLOps и прод: Docker, Kubernetes, CI/CD, monitoring, serving7. Специализация: CV, NLP, RecSys, RL, SafetyRoadmap 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 ML2. 3-6 месяцев: Deep Learning и PyTorch3. 6-12 месяцев: LLM, RAG, fine-tuning, AI-агенты4. 12+ месяцев: MLOps, прод, масштабирование, специализацияТут 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

System Card: Claude Fable 5 &Claude Mythos 5📗 Read@datascienceiot

AI-Driven Multi-Region Provisioning for Cloud Services Using Spot Fleets📗 Read@datascienceiot

От мечты о карьере сварщика до стажировки в KAUSTИстория 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.

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

Хакатон по моделированию рыночных решений и максимизации PnLReinforce.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 — предсказанияМетрика:— итоговый скор = суммарный PnL по всем выбранным действиямПризы:1 место — $2,5002 место — $1,5003 место — $1,000Старт: конец июняПродолжительность: ~1.5–2 месяцаИнформация: тутРегистрацияЧат хакатона: https://t.me/+R6lMJ10VXP5hOTI0

"Language Models Need Sleep"📚 Read@datascienceiot