Нашел шикарную штуку для всех, кто хочет прокачаться в математике для диплернинга — вот этот раздел

Ноль воды, только то что нужно для работы в ML. Мат.анализ, лин.алгебра, теория вероятностей — всё в удобном формате и сразу с кодом

Отдельный приятный момент: можно выбрать диалект, на котором будут показывать примеры (PyTorch, Keras или MXNET).

Кстати, другие главы там не менее достойные 🤓

👉 @DataSciencegx

Microsoft. Google. AWS.

Все пытаются решить одну и ту же задачу для AI-агентов:

Как построить графы знаний, которые будут достаточно быстрыми для LLM-приложений в реальном времени?

FalkorDB — это опенсорс графовая база данных, которая решает эту проблему, переосмысливая сам принцип работы графов. Она использует разреженные матрицы и линейную алгебру, а не классический обход графа!

Разберёмся, почему она такая быстрая:

Традиционные графовые базы хранят связи как связанные узлы и обходят их по одному хопу.

Но здесь есть проблема:

Когда вы делаете запрос на связи, база данных проходит по узлам и рёбрам, буквально следуя по карте. Для огромных графов знаний, на которых работают AI-агенты, это создаёт серьёзное узкое место.

А что если представить весь граф как математическую структуру?

Здесь появляются разреженные матрицы.

Разреженная матрица хранит только существующие связи. Никакого лишнего места, никаких ненужных данных

И вот где происходит прорыв:

Когда ваш граф представлен как разреженная матрица, вы можете выполнять запросы с помощью линейной алгебры, а не обхода. Запросы превращаются в математические операции, а не покроковый переход по узлам.

Математика быстрее обхода. Гораздо быстрее.

Плюс разреженные матрицы позволяют невероятно эффективно использовать память. Вы храните только то, что существует, поэтому можете держать огромные графы знаний в памяти, не прожигая ресурсы.

Тогда почему бы просто не использовать Vector Search?

Vector search быстрый, но он фиксирует только наивное сходство. Он умеет находить паттерны, но не видит структуру.

Графы фиксируют тонкие отношения между сущностями. Это гарантирует, что контекст, который вы поднимаете для агента, точный и релевантный, а не просто похожий.

И вот что даёт вам FalkorDB:

↳ Сверхбыстрая мультитенантная графовая база данных
↳ Эффективное хранение через разреженные матрицы
↳ Совместимость с OpenCypher (тот же язык запросов, что и в Neo4j)
↳ Специально создана для LLM-приложений и памяти агентов
↳ Работает поверх Redis для простого деплоя

Старт занимает всего одну Docker-команду. Я протестировал это через их Python-клиент, разница в производительности заметна сразу.

Если вы строите AI-агентов, которым нужен доступ к связанным данным в реальном времени, это точно стоит попробовать.

И главное, это 100% опенсорс. GitHub: FalkorDB

👉 @DataSciencegx

Это настоящая золотая жила AI-ресурсов от MongoDB! (бесплатно и ориентировано на реальные задачи AI-инжиниринга)

Поднимать AI-прототипы локально – это весело.

Можно быстро экспериментировать, пушить код и пробовать разные модели почти без подготовки окружения.

Но когда начинаешь делать AI для реальных пользователей, всё становится сложнее.

Нужно учитывать хранение данных, эффективный ретривал, производительность, безопасность и масштабируемое управление контекстом.

AI-хаб ресурсов от MongoDB очень круто закрывает этот гэп в обучении.

Он даёт целую экосистему гайдов, демо и учебных треков, спроектированных для разработчиков, которые хотят строить продакшн-AI-приложения на надёжной дата-инфраструктуре.

Два особенно полезных ресурса, с которых стоит начать:

1. Основы векторного поиска в MongoDB: разберитесь, как реально работает семантический поиск,, и соберите рабочий поисковый pipeline.

2. Построение агентов с памятью на MongoDB, Fireworks AI и LangChain: обучите агента вспоминать прошлые взаимодействия и подтягивать контекст напрямую из ваших операционных данных.

Что делает эту библиотеку ещё интереснее – контент не ограничивается только AI. Он проводит через все вспомогательные компоненты, которые нужны для запуска AI в проде, например:

↳ Архитектуры хранения для AI-приложений
↳ Индексация и ретривал с высокой пропускной способностью
↳ Кэширование для ускорения инференса
↳ Лучшие практики безопасности для AI-датапайплайнов
↳ End-to-end примеры с реальными датасетами

Все туториалы ориентированы на построение рабочих систем, а не просто объяснение концепций.

Ссылка: https://www.mongodb.com/resources/use-cases/artificial-intelligence

👉 @DataSciencegx

Bagging vs Boosting в машинном обучении, наглядное объяснение

👉 @DataSciencegx

Сегодня Supabase представили Vector Buckets.

Новый вариант хранилища, который сочетает надежность и экономичность Amazon S3 с встроенным similarity search.

http://supabase.com/blog/vector-buckets

👉 @DataSciencegx

Mistral выпустили Ministral 3 — новую линейку reasoning- и instruct-моделей!

Ministral 3 доступны в версиях 3B, 8B и 14B, есть поддержка vision и топовая производительность в своём классе.

Модель 14B можно запускать локально на машине с 24 ГБ RAM.

Гайд + ноутбук: https://docs.unsloth.ai/new/ministral-3

GGUF-сборки: https://huggingface.co/collections/unsloth/ministral-3

👉 @DataSciencegx

Если она понимает математику, лежащую в основе диффузии, женись на ней.

👉 @DataSciencegx

calculus jokes.

👉 @DataSciencegx

Apple выложила CLaRa на Hugging Face.

Новая унифицированная RAG-модель со встроенной семантической компрессией документов (16x и 128x).

Она генерирует ответы напрямую из сжатых представлений, достигая SOTA-результатов и при этом сильно уменьшая длину контекста.

CLaRa показывает топовый уровень в компрессии и reranking-е, нередко обгоняя текстовые бейслайны, и уменьшает контекст до 16 раз.

Подробности в статье, модель можно попробовать тут:
https://huggingface.co/papers/2511.18659

👉 @DataSciencegx

MCP теперь поддерживает аутентификацию через OAuth2.

Это большое обновление!

Хочу поделиться полноценным примером (с кодом), чтобы можно было быстро разобраться как этим пользоваться.

Суть в следующем:

Не стоит строить агентные приложения, которые получают доступ к ресурсам без нормальных ограничений.

С аутентификацией вы можете:

• вызывать сторонние API от имени пользователя
• выполнять действия, которые должны быть отслеживаемыми
• применять разные разрешения для разных ролей

Вот демо интернет-магазина на MCP, собранное с WorkOS AuthKit и nextjs.

В этом примере можно:

• подключиться к MCP-серверу
• пройти аутентификацию через AuthKit
• заказать футболку с помощью MCP-инструментов
• посмотреть детали заказа, если у вас роль администратора

Весь необходимый код лежит в репозитории:

https://fandf.co/4psHKyo

👉 @DataSciencegx

Команда показала, как использовать Claude Code для обучения open-source LLM под ключ. Они подключили навыки Hugging Face к Claude Code, и агент смог запускать полный цикл обучения моделей end-to-end. Самое интересное, это работает не только с Claude, но и с Codex, Cursor и Gemini CLI.

Как это выглядит на практике:

- ты даешь агенту задачу дообучить модель на датасете, можно указать свой или поручить агенту найти его самому
- агент сам подбирает железо под размер модели и проверяет датасет
- обучение запускается на облачных GPU, в режиме теста или полноценного прогона
- прогресс в реальном времени отображается через дашборд Trackio
- чекпоинты автоматически пушатся в Hugging Face

Уже можно попробовать в своем любимом кодинг-агенте.

👉 @DataSciencegx

Нейронный процессор (NPU) это специализированный чип, оптимизированный под быстрые параллельные вычисления, в первую очередь под матричные и векторные операции.

В теории вероятностей и статистике NPU ускоряют такие задачи, как симуляции методом Монте-Карло и байесовский вывод. В машинном обучении они ускоряют обучение нейросетей и инференс при низком энергопотреблении.

В реальной жизни NPU обеспечивают работу таких функций, как разблокировка по лицу, распознавание речи, умные камеры, автопилот и локальный предиктивный ИИ на смартфонах, автомобилях и IoT-устройствах.

👉 @DataSciencegx

Теорема Никомаха

1³ + 2³ + 3³ + ... + n³ = (1 + 2 + 3 + ... + n)²

Сумма кубов первых n натуральных чисел всегда равна квадрату суммы этих же чисел.

Для n = 3:
(1 + 2 + 3)² = 6² = 36 = 1 + 8 + 27

👉 @DataSciencegx