🤖 NVIDIA представила Groot N1 — AI-модель для человекоподобных роботов

На GTC 2025 в Сан-Хосе NVIDIA анонсировала Groot N1 — универсальную AI-модель для роботов. Это развитие прошлогоднего Project Groot, но с более широким спектром применения.

🔹 Двойная архитектура: «быстрое» и «медленное» мышление, как у человека.
🔹 Анализ, планирование и выполнение сложных действий.
🔹 Открытый исходный код, симуляционные фреймворки и генерация синтетических данных.

💬 Дженсен Хуанг: «Эра универсальных роботов уже здесь!»

Что думаете? Делитесь в комментариях! 👇

Библиотека дата-сайентиста #свежак

💬 Как оставлять комментарии в чате нашего канала

В нашем чате работает бот Shieldy — он защищает от спама, запрашивая у новых участников решение простой капчи.

⚠️ Проблема, с которой сталкиваются многие: вы нажимаете под постом «Прокомментировать», пишете что-то, а потом получаете бан и не можете писать комментарии.

❓Почему так: Shieldy отправляет капчу в сам чат, а не в комментарии под конкретный пост. Из-за этого капчу можно не увидеть, не отправить ответ на нее, и бот автоматически заблокирует вас.

✅ Как присоединиться к чату, чтобы бот вас не забанил

— Зайдите в описание канала с телефона и нажмите кнопку Discuss / Чат
— Нажмите Join / Присоединиться
— Сразу обратите внимание на сообщение от бота Shieldy
— Решите простой пример и отправьте ответ в чат

После этого бот отправит приветственное сообщение и вы сможете оставлять комментарии. Эту проверку нужно пройти только один раз при вступлении в чат.

❗️ Если вас все-таки забанили

— Это временная блокировка на несколько минут
— Подождите и попробуйте зайти позже, бот снова отправит вам капчу

Админы канала никак не могут ускорить процесс, бот автоматически снимает с вас блокировку через пару минут. Мы понимаем, что эта система неидеальна, и ищем более удобное решение.

👾 Спасибо, что активно участвуете в обсуждении наших постов!

📍 How to: эффективная обработка данных с помощью Apache Arrow

Apache Arrow — это колонный формат данных, предназначенный для эффективной обработки и обмена данными между различными инструментами. Он поддерживает быстрое чтение и запись данных, что делает его идеальным для работы с большими объемами информации.

Для начала работы с Arrow необходимо установить библиотеки pyarrow и pandas:

pip install pyarrow pandas

Основные операции:

1. Создание таблицы
Создадим таблицу с двумя колонками:

import pyarrow as pa

teams = pa.array(['Barcelona', 'Real Madrid', 'Rayo Vallecano', 'Athletic Club', 'Real Betis'], type=pa.string())
goals = pa.array([30, 23, 9, 24, 12], type=pa.int8())

team_goals_table = pa.table([teams, goals], names=['Team', 'Goals'])

Преобразуем её в Pandas DataFrame:

df = team_goals_table.to_pandas()

2. Чтение и запись Parquet
Arrow поддерживает работу с форматом Parquet, который оптимизирован по памяти:

import pyarrow.parquet as pq

# Запись в Parquet
pq.write_table(team_goals_table, 'data.parquet')

# Чтение из Parquet
table = pq.read_table('data.parquet')

3. Операции с данными
Сравним два массива:

import pyarrow.compute as pc

a = pa.array([1, 2, 3, 4, 5])
b = pa.array([1, 3, 3, 4, 5])

pc.equal(a, b)

Суммируем элементы массива:

pc.sum(a)

4. Группировка и агрегация
Группируем данные по команде и считаем сумму голов:

table = pa.table({'Team': ['Barcelona', 'Real Madrid'], 'Goals': [30, 23]})
table.group_by('Team').aggregate([('Goals', 'sum')])

👉 Репозиторий PyArrow на GitHub

Библиотека дата-сайентиста #буст

📊 Промпт для генерации визуализаций данных

Используйте этот промпт для построения графиков с помощью Matplotlib.

🔹 Промпт:

I want you to act as a data scientist coding in Python. Given a dataframe {dataframe name} containing the columns {column names}, use Matplotlib to plot a {chart type} that shows the relationship between {variables}. Additionally, annotate the plot with the following details: {annotation requirements}. Format the plot by adjusting {specific formatting preferences}. Finally, change the plot's theme to {theme} to match the visual style of {theme description}.

Результат:
🔹 Качественные и профессиональные визуализации данных.
🔹 Подробное оформление и аннотации на графиках.
🔹 Удобное и понятное оформление графиков с использованием популярных тем.

✔️ Пример:

Исходный датафрейм с данными о возрасте, доходе и уровне образования:

import pandas as pd

data = {
    'age': [25, 30, 35, 40, 45],
    'income': [50000, 60000, 70000, 80000, 90000],
    'education_level': ['Bachelors', 'Masters', 'PhD', 'Bachelors', 'Masters']
}

df = pd.DataFrame(data)

💬 Пример использования промпта:

I want you to act as a data scientist coding in Python. Given a dataframe df containing the columns ['age', 'income', 'education_level'], use Matplotlib to plot a scatter plot that shows the relationship between age and income. Additionally, annotate the plot with the following details: highlight the highest and lowest income values. Format the plot by adjusting the title, axis labels, and grid lines. Finally, change the plot's theme to seaborn-darkgrid to match the visual style of a clean and modern plot with dark gridlines.

Библиотека дата-сайентиста #буст

🐛 Истории подписчиков: вспоминаем наши ошибки в Data Science

Все мы когда-то начинали, и порой самые банальные ошибки могут стать источником самых больших уроков. Давайте вспомним моменты, когда наши модели показывали «идеальные» результаты, но это оказалось далеко не так.

🫠 Вот история админа из студенчества:

Когда я только вкатился в Data Science, мне дали задачу построить модель для предсказания цен на жильё. Я такой весь уверенный, что вот-вот покорю этот мир: минимальная ошибка, красивые графики, да я просто гений! 😎 Но чем дальше я углублялся, тем страннее становились предсказания. Цены на квартиры с метражом в 200 квадратных метров были предсказаны ниже, чем у квартир в 30 м². Оказалось, что в данных были строки вместо чисел в одном из признаков — вместо «100» стояло «сто». Ну конечно, модель же могла понять, что это такое! 🤦‍♂️

Этот баг научил меня важному уроку: всегда проверяй данные. Особенно если твоя модель «непонятно как» даёт отличные результаты! С тех пор я никогда не пренебрегаю даже самой мелкой проверкой.

Теперь ваша очередь! Поделитесь своими первыми ошибками и уроками, которые вы из них извлекли. 🤓

Библиотека дата-сайентиста #междусобойчик

💻 Исследование IT-аудитории Proglib 2025: зарплаты, технологии, профессии

Кем является разработчик в 2025 году? Свежий анализ IT-сферы: зарплаты, востребованные технологии, специализации и демография специалистов.

📊 Полный отчет здесь: https://proglib.io/sh/NbJAHIDRTg

Библиотека дата-сайентиста #Свежак