About this listing
Data Science & SQL Hub is a Telegram channel listed on TeleHub. View its description, category, member count, and Telegram join link.
TelehubIT объединение! 📊 Обсуждаем SQL, машинное обучение и Python. Обмениваемся советами и опытом!
Data Science & SQL Hub is a Telegram channel listed on TeleHub. View its description, category, member count, and Telegram join link.
Присоединяйтесь к нашему каналу «Data Science. SQL hub» — пространству, где IT-специалисты обсуждают всё о данных! С более чем 35,000 участниками мы делимся не только знаниями по SQL, but и актуальными трендами в области машинного обучения и анализа данных.💡 🔍 Посты содержат: полезные советы, обзоры свежих инструментов и технологий.- Вот несколько недавних тем: - Как использовать LATERAL в MySQL для оптимизации запросов. - Обзор последнего соглашения Tencent с Oracle по аренде ИИ-чипов. - Введение в новый фреймворк GitHub для команд разработки AI-агентов. У нас есть различные полезные ресурсы: 📚 Курсы Python 📖 Книги по ML и Data Science; 🌐 Рекомендуем лучшие IT-каналы (@itchannels_telegram)! Присоединяйтесь к нам для живого общения о новинках в сфере работы с данными ♨️ Здесь легко найти поддержку от единомышленников или задать вопросы. 🔥 Заходите на канал уже сегодня — здесь всегда много интересного!
Loading recent Telegram analytics…
TeleHub helps users discover Telegram communities, but users should review each community before joining. Report misleading, unsafe, or inappropriate listings.
Report a listingClick the join button to open Data Science & SQL Hub on Telegram.
No, Data Science & SQL Hub is not marked as NSFW. Users should still review the community before joining.
Data Science & SQL Hub is listed under Data Science, SQL, Machine Learning, Python, Technology on TeleHub.
Statistics updated October 17, 2026
Post frequency is estimated from the latest 30 stored public posts and may undercount activity.
🖥 Tencent выкатила Hy Memory 2.0: открытая модель, фреймворк и MemHub для долгой памяти ИИ-агентов Hunyuan выпустили сразу три вещи в одном релизе. Модель Hy-Memory-30B-A3B, SDK-фреймворк и приложение MemHub. По заявлению Tencent, это №1 среди открытых решений на четырёх бенчмарках памяти, а сама модель обходит Opus 5 в ряде популярных фреймворков. Фреймворк работает с тремя типами памяти: из обычных чатов, из рабочих задач и из кода. То есть агент помнит не только то, о чём вы болтали, но и что делали в проекте. MemHub, у него есть CLI и версия для Mac, синхронизирует память между более чем десятью ИИ-инструментами. Один раз рассказал контекст, и он доступен везде, без повторных объяснений каждому ассистенту. Модель на 30B параметров с 3B активными (MoE), так что гонять её локально реалистичнее, чем кажется по цифре. Пока это цифры от самих авторов, независимые замеры стоит дождаться. Код и MemHub: https://github.com/Tencent-Hunyuan/Hy-Memory Модель: https://huggingface.co/tencent/Hy-Memory-30B-A3B Github: https://github.com/Tencent-Hunyuan/Hy-Memory @ai_machinelearning_big_data
Oracle показала архитектуру агентной системы для генерации и проверки контрактов на Kubernetes Команда Oracle AI & Data Science описала, как построить на OKE (Oracle Kubernetes Engine) платформу, которая автоматически собирает договоры и сверяет их версии. Ключевая мысль инженеров: LLM здесь не источник истины для юридических формулировок и цен. Модель работает внутри структурированных входных данных и заданных админом бизнес-правил. Как это устроено. На вход идёт PDF-коммерческое предложение из CPQ, его разбирают в JSON, раскладывают по шаблону договора и применяют правила. Второй сценарий сравнивает изменённый договор с оригиналом и сохраняет структурированный diff. На выходе пользователь может поправить результат и скачать DOCX. Под капотом пять агентов: разбор CPQ, разбор контракта, маппинг, дополнение контракта и ревью. Оркестрирует всё LangGraph с чекпойнтами и прерываниями. Агенты общаются с оркестратором по A2A, а инструменты находят и вызывают через MCP. Длинные шаги ставятся на паузу и возобновляются по вебхуку, состояние лежит в Redis. Задачи идут через очереди OCI Queue, после трёх неудачных попыток сообщение попадает в DLQ, а пользователю не надо загружать файл заново. Мне показались интересными три инженерные детали. Перед любым рассуждением агента воркер прогоняет guardrails: проверка на prompt injection, вредоносный контент и маскирование PII. Есть реестр агентов как плоскость управления: админ меняет связки агентов с инструментами и бизнес-правила без передеплоя. И есть фреймворк оценки, который сверяет извлечённый JSON с эталоном до того, как изменения в промптах, модели или правилах попадут в прод. Честные оговорки: конкретные LLM в статье не названы, цифр по скорости и стоимости нет, а кода и репозитория не приложено. Это референс-архитектура, а не готовый открытый проект. Источник: https://blogs.oracle.com/ai-and-datascience/agentic-contract-generation-review-on-oke-enterprise-ai
🐍 Когда стандартного `sqlite3` в Python становится мало, есть APSW. Another Python SQLite Wrapper даёт доступ к полному C API SQLite из Python. Что можно использовать: • Виртуальные таблицы для подключения собственных источников данных. • VFS для управления тем, как SQLite работает с файлами. • Session API для записи и применения наборов изменений. • Полнотекстовый поиск, JSON и передачу массивов через CArray. • Синхронный код и поддержку асинхронных фреймворков. Для обычных SQL-запросов встроенного sqlite3 часто достаточно. APSW полезен, когда нужны расширенные возможности SQLite и более глубокий контроль над движком. Установка: pip install apsw https://github.com/rogerbinns/apsw