Mashkka про Data Science — Telegram channel logo

@mashkka_ds

Mashkka про Data Science

Telegram channel @mashkka_ds: 5.3K subscribers, 727 views per post, score 53

Artificial intelligenceAudience: Kazakhstan
53CAhead of 4 in 10 channels in its category
Category midrange 43–65This channel 53
5.3K
Subscribers
727
Median views over 30 days
13.7%
Views / subscribers over 30 days
52
Posts over 30 days

Data as of November 19, 2026

Data science and AI from someone actually working in the field, not just theorizing about it. The author writes about webinars for ML engineers, breaks down tools like Pipeline for building models, shares news on open releases from major AI labs, and invites readers to industry conferences. As of 15 September: subscribers 5.2K, median views 1.2K, ER 24.2% — on par with the category median, even though the subscriber count sits well below it. Meanwhile, the posting pace outstrips a typical channel in the category. Over the past month, posts covered the new GigaChat 3.5 Reasoning model with its step-by-step reasoning skills, a recap of an OTUS webinar on building ML pipelines, and the release of the Kandinsky WM 1.0 generative model lineup for Physical AI.
catalog description About the channel, by its author
Погружение в Data Science и технологии GenAI

Common questions

How many subscribers?
Subscribers: 5.3K. Median views per post: 727. Views per subscriber: 13.7%. Measured on November 19, 2026.
How often are posts published?
Posts in the last 30 days: 52 — that is several times a day. Measured on November 19, 2026.
Does this channel have a Telegram tick?
No Telegram tick.
Who runs this channel page in the catalog?
Nobody yet. If this is your channel, claim the page: you will be able to reply to reviews and see its stats.
Is this your channel?

Claim it — accurate metrics, replies to reviews as the channel, and an owner badge on the page.

Verify ownership

Takes a minute: a post with a code, or the bot as an admin
Your page on tg.place

Know the owner?

Forward them this message — they can verify their rights and collect what has piled up: page statistics and replies to reviews.

Subscribers+247 in 84 days
5,3175,059
Nov 195,315−1 in a day

Hover the chart or swipe it — we show the day.

What it is made of
Engagement6.9 of 30
Growth quality16.6 of 20
Reactions and forwards8.7 of 15
Consistency8.6 of 12
Trust4.4 of 8
Reviewsnot enough datano reviews yet

Score 53 — from 5 of 6 signals: the rest are not measured yet. Methodology

Latest posts

Posts are in Russian — that is what the channel publishes.

  • 4015 forwards1 commentOpen in Telegram
    🐾По следам вебинара По следам вебинара Тенденции LLM и GenAI На открытом вебинаре в OTUS в рамках курса по LLM рассказала про то, куда движется, нет, точнее стремительно летит область GenAI. Обсудили как будущие перспективы агентов, так и тренды в генеративном видео и картинках. @mashkka_ds 👀Запись 📖Презентация #ml #agents #ai
    Post by “Mashkka про Data Science” from November 18, 2026
  • 4371 forward5 reactions5 commentsOpen in Telegram
    ИИ-фотосессии будут ещё реалистичнее Создавая изображение, нейросеть решает две задачи сразу: придумывает позу, свет, композицию и при этом старается точно повторить каждую черту лица и букву. Когда эти задачи конфликтуют, детали размываются. Исследователи лаборатории FusionBrain Института AIRI разработали метод KandiShop, который разделяет эти задачи, благодаря чему улучшается качество генерации лиц и надписей на товарах. Он не требует дообучения нейросетей и работает поверх уже сгенерированных картинок. KandiShop проверили на сотне лиц и четырёх популярных открытых нейросетях. Благодаря ему сходство с оригиналом у FLUX.2 klein возрастает с 52 до 75 процентов, а у Nano Banana — с 57 до 76. Общее качество и красота картинки при этом остаются. Сайт | GitHub | Газета.ру | Хабр
    Post by “Mashkka про Data Science” from November 18, 2026
  • Ad
  • 4965 forwards6 reactions1 commentOpen in Telegram
    🔺 Вышли Astra и Sol / 6.2 Пишут, что сильно прокачали в создание 3D, в CAD системы для инженеров и в Computer Use. Это мы обязательно проверим. Добавили Ultrafast режим, который был только в подписке за $500 в подписку за $200. Также пишут, что оптимизировали токенизатор и Astra 6.2 должна теперь есть меньше токенов. 👉
    openai.com/…https://openai.com/index/introducing-gpt-6-2-astra-sol/
    Post by “Mashkka про Data Science” from November 18, 2026
  • 6648 forwards6 reactions2 commentsOpen in Telegram
    🌸Наука и потеря смысла🌸 #кали_зла #nlp #nlp_papers В этом году я Area Chair на одной топовой AI конференции. Просто поделюсь тем, что раньше от меня как рецензента было сокрыто — маркером эпохи LLM-слоп-статей. 🌸Как проходит процесс: 🟣 Area Chair читает статью, формирует свое мнение. Затем читает все рецензии и формирует свое мнение об их качестве. Затем читает весь rebuttal и выносит сбалансированную рекомендацию с учётом всех факторов — брать статью или нет. 🟣в большинстве случаев решение AC должно быть достаточно очевидным и вытекать из оценок рецензентов. А теперь — знали ли вы, сколько эскалацией получает Area Chair? В этом году порядка 50% статей! 🌸Что происходит на самом деле: Злоупотребление авторами механизма эскалацией свелось к трем стратегиям: 🟣скоры у статьи weak Accept: на негативную рецензию авторы пишут заметку Area Chair, что рецензент статью не понял, не читайте его. 🟣скоры weak Reject: авторы выбирают рецензию с самым низким скором, эскалируют и пишут подробный "LLM-донос" на рецензента, мол он умышленно смещает позиционирование статьи в другое русло, накажите его (критика рецензента и вопросы были совершенно адекватные) 🟣скоры очевидно Reject: авторы пишут лично Area Chair, мол, мы сейчас все переделаем, сделаем новые эксперименты, обещаем, только примите статью! И это только на моем маленьком участке. 🤕 Большинство таких статей откровенно слабые, инкрементальные улучшения. 🌸Общая проблема В целом, проблема рецензирования слоп-статей уже дошла до своего апогея, где почти по всем статьям четкого решения по результатам рецензирования сделать нельзя, а психологический прессинг от авторов очень сильно усилился, и в конце всей цепочки именно Area Chair должен брать решение на себя, решая, будет ли он склоняться в ту или иную сторону у статьи пограничного качества. В целом, я даже рада, что этот удар принимает на себя сейчас именно machine learning. Machine learning и математика — две самые зрелые с точки зрения агентной акселерации области, с полным циклом эксперимента на компьютере — они и должны "пострадать" от слопа первыми, пока мы не предложим методологическое решение, которое другие области науки смогут забрать себе и избежать, тем самым, проблемы из заголовка. Я все больше уверяюсь, что первичное рецензирование должно быть агентное, завязанное на воспроизводимость и надёжность результатов. Совершенно точно есть пространство для того, чтобы ввести более строгие правила — и отдавать на рецензирование экспертами только самые сильные статьи. Пока писала, в голове все время всплывала цитата А.А.Зализняка: "Объективная истина существует, и целью науки является ее поиск." Удивительно, как сильно и навсегда моделирование языка меняет научный процесс далеко за пределами области.
  • 81214 reactions4 commentsOpen in Telegram
    Ох, прочитала в канале у Тани впечатления от ревью и содрогнулась - что меня ждет в ближайшем цикле ARR, где я как раз Area Chair.
  • 82819 forwards14 reactions2 commentsOpen in Telegram
    🤖Трансформеры для табличных данных: что нового? Готовилась к лекции, освежила знания о трансформерах для табличных данных и разобралась, что нового появилось в этой области за последние пару лет. Итак, что интересного происходит с табличными трансформерами: ✔️Первая волна (думаю, многим знакомо): трансформеры на уровне признаков. TabTransformer (2020), FT-Transformer (NeurIPS 2021) и числовые эмбеддинги (NeurIPS 2022) показали, как адаптировать архитектуру Transformer для работы с таблицами. Например, FT-Transformer превращает каждый признак в отдельный токен, а self-attention моделирует взаимодействия между ними. Но все эти модели нужно обучать с нуля на каждом новом датасете, а градиентный бустинг зачастую оставался сильнее. ✔️Вторая волна: Tabular Foundation Models (TFM). А вот здесь произошла настоящая смена парадигмы! Вместо того чтобы обучать отдельную сеть на каждой таблице, модель один раз предобучают на миллионах синтетических датасетов, чтобы она научилась решать задачи моделирования табличных данных. А inference на новых задачах работает через In-Context Learning. На вход подаются обучающие строки с известными ответами и тестовые примеры. Модель использует их как контекст и сразу выдаёт предсказания, без обновления весов. Тот же принцип few-shot в LLM, только вместо текстовых примеров целая таблица. ✔️TabPFN: от 1000 строк до миллиона. Первая TabPFN появилась в 2022 году и работала с небольшими таблицами. В 2025 году вышла TabPFNv2 (Nature 2026), а в 2026 году линейка добралась до TabPFN-3.5 с поддержкой датасетов до миллиона строк. При этом новые версии уже работают с категориальными, числовыми и даже текстовыми признаками. ✔️TabICL: открытая альтернатива. TabICL (ICML 2025) и TabICLv2 (ICML 2026) развивают ту же идею In-Context Learning, но делают акцент на масштабируемости и эффективной обработке больших таблиц. Особенно интересно, что TabICLv2 доступна с открытыми весами, кодом предобучения и генератором синтетических данных. ✔️А что если просто сериализовать таблицу и отправить в LLM? Ещё один подход: преобразовать таблицу в текст (CSV, Markdown или описание строк) и использовать обычную LLM для предсказаний через prompting и few-shot. Преимущество здесь в том, что LLM понимает семантику признаков по их названиям и может использовать знания о предметной области. Но есть и серьёзные ограничения: сериализация раздувает контекст, BPE-токенизатор дробит числа на подстроки, а LLM не слишком хорошо работают с точными числовыми зависимостями. Плюс стоимость и скорость инференса. Поэтому на обычных числовых таблицах специализированные модели зачастую оказываются эффективнее. ✔️А что с CatBoost? Хоронить бустинг пока рано! На малых и средних таблицах TFM стали очень сильными конкурентами, особенно если хочется получить хороший результат без долгого тюнинга. Но на больших датасетах, при ограничениях на инференс и в продакшне CatBoost, XGBoost и LightGBM по-прежнему остаются отличным выбором. Так что главный вывод: табличные трансформеры перешли от поиска удачной архитектуры к фундаментальным моделям, способным решать новые задачи без дообучения. И, судя по скорости появления новых версий, самое интересное ещё впереди! @mashkka_ds #трудовыебудни #ai #machinelearning #transformers
    Post by “Mashkka про Data Science” from November 15, 2026
  • 719Open in Telegram
    🧙‍♀️#justaboutme Гуляя по золотоосенним улицам США Продолжаю разбирать впечатления от своего викенда в Бостоне. Сегодня сразу два места: знаменитый Гарвард и Салем, который весь мир знает как город ведьм. 🎓Гарвард Друзья, я ору! Ведь это Гарвард, один из самых знаменитых университетов мира, где учились Барак Обама, Джон Кеннеди, Натали Портман, Билл Гейтс и Марк Цукерберг. Правда, последние двое диплом так и не получили. Сам кампус больше напоминает американский Хогвартс: старинные кирпичные корпуса, зелёные лужайки, золотая осень и студенты, которые сидят прямо на траве и что-то обсуждают. И кто знает, возможно, кто-то из них однажды тоже войдёт в историю. Здесь можно просто гулять среди университетских зданий, заглянуть к памятнику Джону Гарварду, английскому священнику, благодаря которому университет получил своё имя, и посидеть на ступеньках знаменитой библиотеки Уайднера. Внутрь без пропуска не пускают, так что я довольствовалась ступеньками. 🧙‍♀️Салем, город ведьм Из Гарварда переносимся в Салем, небольшой американский городок, который весь мир знает как город ведьм. Свою мрачную известность Салем получил в 1692 году, когда здесь развернулась печально знаменитая охота на ведьм. Массовая истерия, религиозный фанатизм и страх перед колдовством привели к судебным процессам, в результате которых 20 человек были казнены по обвинению в колдовстве. А сегодня Салем превратил эту трагичную страницу своей истории в настоящий личный бренд. Здесь буквально всё посвящено ведьмам: музеи, памятники, сувенирные лавки и всевозможные магические атрибуты. Гуляешь по улицам города и будто попадаешь в волшебную страну привидений, ведьм и магии. Одна из главных достопримечательностей города, Witch House, или Дом ведьм. Построенный в XVII веке, он принадлежал судье Джонатану Корвину, который участвовал в знаменитых процессах 1692 года. Это единственное сохранившееся в Салеме здание, непосредственно связанное с теми судебными разбирательствами. И несмотря на название, ведьмы здесь никогда не жили, зато сегодня внутри находится музей, посвящённый жизни того времени. Сегодня в Салеме благодаря его репутации снимают очень много ведьминских кино: «Фокус-покус», «Моя жена меня приворожила», и этот список можно продолжать... Вот такой удивительный город, где трагичная история XVII века дала городу новую волшебную жизнь. ❕#justaboutme воскресная рубрика, в которой я делюсь яркими событиями из своей жизни, не связанными с DS и ИТ, подобно тому, как я это делаю в соцсетях (например, в инсте или VK). #mashkka_usa #us #сша #бостон #салем #harvard #halloween
  • 72710 forwards3 reactions2 commentsOpen in Telegram
    22 октября вышла интересная работа о фиксе численого бага расчета softmax. Это работа вызвала большой интерес у комьюнити и даже некоторые споры. Суть работы – в стандартных реализациях softmax и cross-entropy во всех фреймворках (PyTorch, JAX, TensorFlow) обнаружились два численных бага: 1. Softmax Collapse - когда модель становится слишком уверенной в ответе, градиент для правильного логита округляется до нуля, а для неправильных остаётся ненулевым. Как следствие градиенты перестают суммироваться в ноль. 2. Softmax Cancellation - при дистилляции, когда логиты студента близки к логитам учителя, градиенты становятся ненулевыми даже при идеальном совпадении. Те у нас начинается оверфит под масштаб распределения учителя (эмбов или вероятностей). Самое интересное, если поставить фикс, модели, которые грокали - демонстрировали внезапное обобщение после переобучения, перестают это делать. Потому что слингшот-спайки (резкие пики loss, которые считались особенностью гроккинга)–это был не магический фазовый переход, а артефакт бага в софтмаксе. 🚬 Без бага гроккинг либо ускоряется с weight decay, либо точность просто не падает без weight decay. Баррон даже пошутил, что дефолтный eps=1e-8 в Adam как раз попадает на fp32-обрыв, где баг срабатывает. Что-то изменится кардинально ваще? Почти ничего для 90% стандартного обучения. 😱 Баррон сам пишет в статье: «extreme margins and near-zero student–teacher gaps probed by our experiments are uncommon in standard large-scale training». Большие языковые модели во время претрейна редко загоняют логиты за fp32 – они учатся предсказывать следующий токен, где распределение далеко от «я на 99.999% уверен». Кстати, поэтому работают всякие там n-sampling, n-sampling и тп. Где изменения будут реальными: 1. Дистилляция, как уже писал выше, самый явный эффект. Если у тебя teacher и student, и логиты student'а приближаются к teacher'у - Softmax Cancellation давал ложные ненулевые градиенты. Модель уплывала от учителя без причины. Фикс это убирает. Для production-пайплайнов дистилляции, а их в индустрии масса, это чистое улучшение. 2. Обучение в bf16. Precision cliff для bf16 это всего ~5.5. Это достигается очень быстро. Если ты тренируешься в bf16 (а сейчас так делают почти все), баг бьёт по тебе постоянно. Фикс здесь даёт наибольший прирост стабильности. 3. Fine-tuning и RLHF. Когда модель дообучается под конкретную задачу, она становится очень уверенной. В RLHF с PPO/GRPO, к примеру, где модель генерирует ответы и оценивается, баг может искажать градиенты на поздних этапах. 4. Маленькие датасеты + weight decay (grokking-режим) Классический grokking - "игрушечные" задачи, где модель сначала запоминает, потом обобщает. Здесь фикс убивает слингшоты и ускоряет сходимость. Но таких сценариев в индустрии почти нет. Что не изменится. 1. Качество GPT-6 / Claude / Gemini – их претрейнинг не сломается и не станет в разы лучше от этого фикса. 2. Скорость обучения - фикс не замедляет и не ускоряет инференс 3. Архитектура - это не новый механизм внимания, не новая функция активации, а численная корректировка. Вот такие дела, гульки.🚶‍♂️
  • 80310 forwards10 reactions18 commentsOpen in Telegram
    💡Агенты и LLM для поиска идей (#мысливслух) Немного необычный формат, когда просто захотелось поделиться мыслями. А собственные мысли в век нейросетей сегодня становятся всё ценнее и ценнее. Сегодня мы всё чаще прибегаем к агентам и LLM-кам типа Claude/ChatGPT/DeepSeek для поиска научных идей, брейншторма того, как решать ту или иную задачу, с чего начать, какие гипотезы попробовать. И это замечательно, если вы хотите получить годное работающее решение. Но если вы действительно хотите сделать что-то новое, необычное и выделиться из общей массы, подумайте: а сколько ещё Вась, Петь и Маш брейнштормят тот же вопрос с Claude, что и вы? Сколько ещё амбициозных PhD из Китая, работающих 24/7 ищут темы для статей и пути их решения через DeepSeek, как и вы? На AI-спринте Евгений Бурнаев рассказывал о том, что участились случаи, когда исследовательские группы месяцами работают над проектом, а за несколько дней до подачи выходит препринт с такими же результатами. И кажется, это не баг, а фича мира, в котором мы живём. Что же делать? Демонстративно нарваться на бан Claude и отречься от нейросетей! Для каждой задачи осознавайте, что вам важнее: быстро получить типовое качественное решение или сделать что-то новое, отличающееся от других? Если второе, то думать придётся вам. А если первое, то сравниваем затраты токенов VS сэкономленное время и вперёд. @mashkka_ds #мысливслух #ai #llm #research
    Post by “Mashkka про Data Science” from November 14, 2026
  • 8943 forwards6 reactions2 commentsOpen in Telegram
    #пятничныемемасы Ну и кто мне скажет, что не жизненно?
    Post by “Mashkka про Data Science” from November 13, 2026

The channel in numbers

Created
October 19, 2022
Photos
3.1K
Videos
335
Files
15
Links
1.3K

Telegram data as of November 19, 2026

Reviews

Leave a review
Rating

At least 40 characters. We publish it after a check.

Your review is public, and the channel owner cannot delete it.

No reviews yet. Yours would be the first.

Ad

Similar

More on this topic