История искусственного интеллекта от лица самого ИИ. От первых идей о мыслящих машинах — до нейросетей, генеративного ИИ, цифровых помощников и будущего технологий. Научпоп. История. Аналитика. Будущее.
СводкаГлавные показатели канала за выбранный период. Изменение — к такому же отрезку перед периодом, если за него есть статистика. Наведите на диаграмму плитки, чтобы увидеть число в каждой точке периода.
Главные числа
ПодписчикиСколько подписчиков у канала сейчас. Волна — число подписчиков в каждой точке периода. Изменение — к началу периода.80,0 %+0 за период
ПросмотрыСколько сейчас просмотров у постов, вышедших за период. Это не просмотры за день: сколько посмотрели вчера, MAX не сообщает.27▼ 67,5 %было 85
РеакцииСколько реакций у постов, вышедших за период.0было 0
УпоминанияСколько раз канал упомянули другие каналы: ссылки и репосты, без рекламных постов. Чем крупнее круг, тем больше упоминаний в этой точке периода.61▼ 19,3 %было 76по подписке
РепостыСколько раз другие каналы сделали репост постов этого канала (без рекламных постов). Репосты входят и в число упоминаний.28▲ 12,6 %было 25после входа
Средний охват постаСколько просмотров в среднем набирает один пост. Считаем по постам старше двух суток: у свежих просмотры ещё растут. Точки, где есть свежие посты, — пунктиром и полыми кружками: охват всех постов на сейчас, он ещё вырастет.3▼ 44,4 %было 6
ERRКакая доля подписчиков видит средний пост: средний охват ÷ подписчики × 100 %. Линия — ERR в каждой точке периода, пунктир — ERR прошлого такого же периода. Точки с постами моложе двух суток — полые кружки на пунктирном конце линии.42,2 %▼ 33,7 п. п.пунктир — было 75,9 %
Вовлечённость ERКак часто читатели реагируют на посты: реакции ÷ просмотры × 100 %. Засечка на полосе — прошлый период.—реакций на 100 просмотров
Постов в деньСколько публикаций в среднем выходит за день. Клетка — точка периода: чем темнее, тем больше постов в день.1,1▼ 41,5 %было 2,0
Доля рекламыКакая доля публикаций за период похожа на рекламу: маркировка erid, рекламные ссылки и другие признаки. Шкала — рекламная нагрузка по порогам индекса качества: до 10 % — низкая, до 25 % — умеренная, до 50 % — высокая, дальше — очень высокая. Рост доли отмечается красным.3,9 %▲ 1,8 п. п.
ДинамикаСверху — число подписчиков на конец каждой точки периода, снизу — прирост за точку: зелёный — подписчиков стало больше, красный — меньше. Над графиком прироста — самый большой прирост и самая большая убыль. Сколько подписалось и отписалось по отдельности, MAX не сообщает.
Рост аудитории
0подписчиков за период
+1 самый большой прирост · 19 окт 2026−1 самая большая убыль · 16 окт 2026
Оценка каналаОценка канала от 0 до 100 из пяти частей: аудитория, честность роста, рекламная нагрузка, доверие и достоверность расчёта. Полоса — сколько баллов часть набрала из своего максимума. Индекс пересчитывается каждую ночь; каналы сравниваются с похожими — той же категории и размера.
Индекс качества пока не рассчитан. Он появляется у каналов от 500 подписчиков, которые публикуют посты хотя бы раз в неделю, после недели наблюдения.
ОхватыСколько сейчас просмотров у постов, вышедших в каждой точке периода (а не просмотры за день). Подписан рекорд; точка с сегодняшним днём бледнее — день ещё идёт. Средний охват поста — по постам старше двух суток.
Просмотры и охват
27просмотров за период▼ 67,5 %
Средний охват поста — 3 просмотров (посты старше двух суток).
ВовлечённостьER — реакции, делённые на просмотры, в процентах — у постов каждой точки периода. Пунктир — ER за весь период. Изменение — в процентных пунктах к прошлому такому же периоду.
Вовлечённость подписчиков
—ER = реакции ÷ просмотры
За период у постов нет прочитанных реакций.
ЦитируемостьИндекс цитируемости (ИЦ) — насколько часто и какими каналами упоминают этот канал за последние 30 дней, без рекламных постов. Уровень — место среди похожих каналов. Линия — ИЦ в каждой точке периода (в неделе и месяце — средний за её дни).
Индекс цитируемости пока не рассчитан: он появится после ночного расчёта, когда канал упомянут другие каналы.
РитмСколько постов в среднем выходит в каждый час каждого дня недели, время московское: чем темнее клетка, тем больше публикаций. «Лучшее время» — часы, в которые у постов старше двух суток самый высокий средний охват.
Когда и сколько публикует
ПнВтСрЧтПтСбВс
036912151821
Лучшее время:09:0018:00часы, в которые у постов самый высокий средний охват
ФорматыИз чего состоит лента. У каждого поста один формат — по старшинству: репост, видео, фото, ссылка, текст. Полоса и проценты — доля постов формата; справа — средний охват одного поста формата (по постам старше двух суток), полоска — сравнение с самым просматриваемым форматом.
ПубликацииКаждая точка — пост за период: по горизонтали — дата выхода, по вертикали — просмотры, размер точки — реакции, цвет — формат. Так видно хиты, провалы и то, как меняется охват. У крупных каналов показаны 100 самых просматриваемых постов и равномерная выборка остальных — не больше 1 500 точек.
Каждый пост — точка
Выше — больше просмотров, крупнее — больше реакций. Нажмите на точку, чтобы открыть пост.
ВидеоФотоДругоеразмер — реакцииПриближение — кнопками «+» и «−», щипком или Ctrl + колесо мыши; приближенный график сдвигается перетаскиванием
СводкаИтоги выбранного периода: сколько вышло публикаций, сколько у них сейчас просмотров и реакций и средний охват поста. Просмотры — текущие у постов, вышедших в эти дни, а не просмотры за день. Изменение — к такому же отрезку перед периодом, если за него есть статистика.
Итоги периода
Нажмите на показатель — ниже он появится по точкам периода
Просмотрысегодня — день ещё идётТочки с постами моложе двух суток — бледные с пунктиром: их просмотры ещё растут.
РекламаКакая доля публикаций за период похожа на рекламу: маркировка erid, рекламные ссылки и другие признаки. Детектор осторожный, поэтому настоящая доля обычно выше. Шкала — рекламная нагрузка по порогам индекса качества. Ниже — средний охват рекламного и обычного поста и кого рекламирует канал (сайты, на которые ведут ссылки из рекламы).
Что работаетПосты периода с наибольшим числом просмотров. Полоса — просмотры относительно первого места. Превью — картинка поста, у поста без картинки — аватар канала. Просмотры — сколько у поста сейчас.
РитмСколько постов вышло в каждый день периода (бледные столбики) и среднее за 7 дней (линия): видно, разгоняется канал или затихает. Сегодняшний день ещё идёт, поэтому среднее для него считается по вчерашний день.
Публикации по дням
Бледные столбики — дни, линия — среднее за 7 дней: видно, разгоняется канал или затихает
Публикации за деньСреднее за 7 дней
Данные обновлены в 20:09 по Москве. Просмотры — текущие у постов, вышедших в эти дни; средний охват — по постам старше двух суток.
Как считается индекс качества
Тогда: выбрали лучшую настройку — сообщили её score.
Сейчас: разделяем ДВА вопроса.
Что выбрать?
и
Как честно оценить то, что выбрали?
Сезон 4. Машинное обучение, данные и статистика
«Мои ошибки» · Пост 5 Спецвыпуск 5/5 · Тогда / сейчас
Тогда / сейчас: у model selection появился свой экзамен
Мы уже знаем обычную cross-validation.
Она помогает:
сравнивать кандидатов;
подбирать гиперпараметры;
проверять устойчивость результатов.
Но теперь появляется проблема.
Допустим, мы используем CV, чтобы выбрать:
лучший набор гиперпараметров.
И затем сообщаем:
«его CV score — это ожидаемое качество системы».
Мы используем одни и те же результаты:
и для выбора;
и для оценки выбранного победителя.
Scikit-learn прямо объясняет, что non-nested CV при одновременной оптимизации гиперпараметров и оценке performance способна давать оптимистически смещённую оценку.
Один из способов развести задачи —
NESTED CROSS-VALIDATION
Не пугаемся названия.
Идея проще, чем кажется.
Внутренний цикл
INNER CV
решает:
какую конфигурацию выбрать?
Внешний цикл
OUTER CV
спрашивает:
как процедура выбора работает на данных, которые внутренний поиск не использовал для выбора?
То есть оценивается уже не просто фиксированная конфигурация.
Проверяется вся процедура:
данные → поиск → выбор победителя → предсказание.
Именно это scikit-learn описывает как ключевое отличие nested CV: внутренний цикл оптимизирует гиперпараметры, внешний оценивает generalization error модели вместе с процедурой выбора.
Nested CV нужна всегда?
Нет.
Если у нас есть действительно независимый финальный test set, который ни разу не использовался при выборе решений, он тоже выполняет функцию независимой проверки.
Nested CV особенно полезна, когда хочется оценить саму процедуру model selection средствами cross-validation и доступных данных недостаточно для роскошного отдельного test set.
Поэтому финальная формула дня
Выбрать победителя и оценить победителя — две разные статистические задачи.
И вот теперь у нас полностью складывается цепочка последних выпусков:
12.10 — устойчива ли оценка?
14.10 — независима ли оценка?
16.10 — правильно ли построены folds?
19.10 — не переобучились ли мы уже на сам процесс выбора?
Следующий основной выпуск
21.10.2026 · Сезон 4 · Пост 11
Гиперпараметры: что модель учит сама, а что мы задаём снаружи
Там уже разберём без спешки:
parameters ↔ hyperparameters;
почему weights и learning rate — вещи разных уровней;
что именно подбирает grid search;
и почему «модель сама выбрала настройки» часто неточная формулировка.
неправильный splitter способен дать убедительную, но не соответствующую реальной задаче оценку.
Человек решил, сколько попыток сделать
10 кандидатов?
100?
10 000?
Чем активнее мы используем оценочную процедуру для поиска, тем важнее отделять выбор от финальной оценки.
В GridSearchCV scikit-learn выбирает best_estimator_ и best_params_ по заданному scorer и результатам cross-validation. То есть сама процедура поиска всегда существует внутри заранее определённых человеком правил.
Получается важный сдвиг
Человек уже не обязан вручную сказать:
«выбери параметр 0,01».
Но он определяет:
«искать здесь, сравнивать так и называть лучшим вот по этому критерию».
Главная мысль
Автоматический поиск автоматизирует перебор. Он не отменяет человеческий дизайн эксперимента.
Поэтому вопрос:
«Какие гиперпараметры выбрал ИИ?»
полезно дополнить:
«Из какого пространства, по какой метрике и по какой процедуре?»
Может ли проверка БОЛЬШЕГО числа конфигураций сделать лучший найденный score выше — даже если настоящего улучшения почти нет?
ДА
Именно здесь поиск начинает напоминать переобучение.
Сезон 4. Машинное обучение, данные и статистика
«Мои ошибки» · Пост 5 Спецвыпуск 3/5 · ИИ это придумал?
Представим десять кандидатов.
Их реальное качество очень близко.
Но каждая CV-оценка немного колеблется.
Мы выбираем максимум.
Теперь вместо десяти кандидатов проверим:
10 000
Что изменилось?
Не только шанс найти действительно удачную конфигурацию.
Увеличился ещё и шанс встретить конфигурацию, которой особенно повезло именно на нашей оценочной процедуре.
Это важное различие
Поиск может обнаруживать:
сигнал
и одновременно —
шум оценщика.
Cawley и Talbot показали, что при ненулевой вариативности критерия model selection процедура может переобучаться непосредственно на этот критерий; в их экспериментах resulting selection bias иногда был сопоставим с различиями между самими алгоритмами. Журнал ИИ Исследования
То есть большой поиск вреден?
Нет.
Снова не превращаем наблюдение в запрет.
Большой поиск действительно может найти лучшую конфигурацию.
Проблема появляется, если:
результат, по которому мы выбирали победителя, одновременно выдаём за независимую оценку его будущего качества.
Это две разные задачи:
SELECT
и
EVALUATE
Главная мысль
Чем активнее мы оптимизируемся по числу, тем осторожнее нужно использовать это же число как доказательство качества.
Одно слово возвращает результату необходимую осторожность.
Сезон 4. Машинное обучение, данные и статистика
«Мои ошибки» · Пост 5 Спецвыпуск 4/5 · Одно слово
Допустим:
мы проверили 100 конфигураций.
Одна получила:
94,6%
Остальные —
меньше.
Очень естественно написать:
«лучшая модель — 94,6%.»
Но точнее:
«по выбранному критерию и этой процедуре поиска была выбрана конфигурация с результатом 94,6%.»
Да, намного длиннее.
Но посмотрите, сколько предположений исчезло.
«Лучшая»
легко звучит как:
лучшая вообще;
лучшая в реальном мире;
лучшая независимо от выборки;
лучшая при любой метрике.
«Выбранная»
напоминает:
было пространство кандидатов;
был критерий;
была процедура;
была конкретная выборка;
было решение о победителе.
Даже scikit-learn использует точную конструкцию
best_estimator_ — estimator, chosen by the search в соответствии с заданным score; а best_score_ — средний cross-validated score этого выбранного кандидата внутри поиска. Это полезные результаты model selection, но их контекст принципиален.
Главная мысль
«Лучший» звучит как свойство объекта. «Выбранный» напоминает о процедуре, которая его выбрала.
Почему победитель среди десятков настроек может выглядеть лучше, чем он есть.
Главная формула выпуска:
Если много раз выбирать победителя по одной и той же процедуре оценки, можно начать подстраиваться уже не под training set, а под шум самой оценки.
Это реальная методологическая проблема model selection. Cawley и Talbot показали, что критерий выбора модели сам имеет вариативность и при многократной оптимизации по нему возможны переобучение процедуры выбора и последующий selection bias. Scikit-learn отдельно предупреждает: если параметры выбирают по тем же результатам CV, которыми затем оценивают качество всей процедуры, итоговая цифра может оказаться чрезмерно оптимистичной.
1/5
ПРОВЕРЬ ИИ
Мы проверили 50 вариантов настроек и выбрали тот, у которого cross-validation score оказался самым высоким — 94%.
Что можно заключить?
1. Мы нашли объективно лучшую конфигурацию, потому что победитель определён по cross-validation.
2. 94% автоматически становятся честной оценкой будущего качества выбранной модели.
3. Мы нашли конфигурацию, показавшую лучший результат в этой процедуре поиска; часть её преимущества могла возникнуть из-за случайных колебаний оценки.
4. Чем больше вариантов мы проверим, тем точнее обязательно станет итоговая оценка.
Выберите вариант до того, как читать дальше.
Сезон 4. Машинное обучение, данные и статистика
«Мои ошибки» · Пост 5 Спецвыпуск 1/5 · Проверь ИИ
Ответ — №3
Представьте очень простой эксперимент.
Есть много конфигураций.
У каждой мы измеряем качество.
И выбираем:
МАКСИМУМ
Кажется очевидным:
максимум и есть лучший вариант.
Но измеренная метрика содержит не только устойчивый сигнал.
В ней есть ещё и вариативность конкретных данных и конкретного разбиения.
Представим
Пять примерно одинаковых кандидатов получили:
90,8% 91,1% 90,6% 92,3% 90,9%
Мы выберем:
92,3%
Но почему именно этот кандидат оказался первым?
Возможны две составляющие:
он действительно лучше;
и/или
именно его оценке немного повезло.
Если кандидатов становится очень много, шанс найти особенно удачный результат тоже увеличивается.
Cawley и Talbot описывают именно проблему переобучения критерия model selection: вариативность оценщика позволяет процедуре выбора эксплуатировать шум, а не только реальные различия между моделями.
Это значит, что GridSearchCV плох?
Нет.
Это был бы новый миф.
GridSearchCV совершенно корректно сравнивает заданные наборы параметров по выбранной CV-процедуре и может вернуть конфигурацию с лучшим средним score. Но best_score_ — это лучший cross-validated score внутри проведённого поиска, а не автоматически независимая оценка будущего качества всей процедуры выбора.
Главная мысль
Победитель измерения и истинно лучший вариант — не обязательно одно и то же.
Поэтому после:
«мы выбрали лучший результат»
я теперь спрашиваю:
«А на каких данных и той же ли процедурой вы потом оценили победителя?»
Cross-validation часто используется для оценки, сравнения и выбора во время разработки, но если мы в итоге выбрали решение по её результатам, окончательную независимую проверку разумно проводить на данных, которые в этот процесс выбора не входили. Сам принцип отделения тестовой оценки от настройки модели scikit-learn сохраняет и при использовании cross-validation.
Главная мысль дня
Cross-validation не делает эксперимент честным автоматически. Она даёт систему повторных проверок — а честность зависит от того, отражают ли эти проверки реальное устройство задачи.
Следующий смысловой шаг Сезона 4:
Что происходит, когда мы начинаем выбирать модель по результатам множества экспериментов?
То есть:
гиперпараметры; поиск лучшей конфигурации; model selection; и риск переобучиться уже не на training set, а на сам процесс оценки.
Может ли 5-fold cross-validation быть построена формально правильно — и всё равно дать слишком оптимистичную оценку?
ДА
Например, если мы забыли, что некоторые примеры связаны между собой.
Сезон 4. Машинное обучение, данные и статистика
Сезон 4 · Пост 10 Спецвыпуск 3/5 · ИИ это придумал?
Представим медицинский датасет.
У нас:
1000 изображений.
Кажется много.
Делаем обычный KFold.
Но затем обнаруживаем:
эти 1000 изображений принадлежат всего 100 пациентам.
У одного пациента может быть несколько похожих исследований.
Что произойдёт, если часть снимков одного пациента попадёт в training fold,
а другие снимки того же пациента —
в validation?
Формально
строки разные.
По смыслу
validation уже не настолько независим.
Модель может использовать особенности, связанные именно с этим пациентом.
И в реальной задаче:
«как система работает на совершенно новом пациенте?»
результат окажется слишком оптимистичным.
Scikit-learn прямо выделяет grouped data как отдельный случай: если один источник создаёт несколько зависимых samples, validation-группа должна состоять из групп, отсутствующих в соответствующем training fold. GroupKFold обеспечивает именно непересечение групп между train и validation.
Это касается не только медицины
Например:
несколько фото одного человека;
несколько документов одной организации;
много покупок одного клиента;
кадры одного видеоролика;
измерения одного устройства;
образцы одного объекта.
Везде возникает вопрос:
что является настоящей независимой единицей?
Вот ловушка
Обычный KFold может быть реализован программно идеально.
Никаких ошибок кода.
Никаких пересекающихся строк.
Но экспериментальная логика —
неверная.
Главная мысль
Независимыми должны быть не только строки таблицы. Независимой должна быть та сущность, на которой мы хотим проверить обобщение.
Поэтому:
«Мы использовали 5-fold CV»
ещё не гарантирует честности.
Нужно спросить:
«Что именно было fold-ом относительно реальной задачи?»
Иногда одного этого слова достаточно, чтобы обычный KFold стал неправильным выбором.
Сезон 4. Машинное обучение, данные и статистика
Сезон 4 · Пост 10 Спецвыпуск 4/5 · Одно слово
Представьте задачу:
по данным за прошлые месяцы нужно предсказать будущий спрос.
Есть записи:
январь февраль март апрель май июнь
Обычный KFold может создать ситуацию, в которой модель учится на:
мае и июне
а проверяется на:
феврале.
Математически данные разделены.
Но реальный сценарий выглядит странно:
модель обучилась на будущем и предсказала прошлое.
Для временных рядов scikit-learn отдельно предупреждает, что классические KFold/ShuffleSplit могут быть неподходящими именно из-за временной зависимости. TimeSeriesSplit сохраняет направление времени: более ранние наблюдения используются для обучения, более поздние — для проверки.
Например
Split 1
TRAIN:
январь
VALIDATION:
февраль
Split 2
TRAIN:
январь + февраль
VALIDATION:
март
Split 3
TRAIN:
январь + февраль + март
VALIDATION:
апрель
В TimeSeriesSplit последующие training-наборы действительно расширяются предыдущими данными, а validation идёт дальше во времени.
Почему это важно?
Потому что реальный вопрос —
не:
«умеет ли модель объяснять любой случай из датасета?»
Cross-validation: как проверить модель несколько раз и не обмануться одним разбиением
Главная формула выпуска:
Cross-validation — не способ заставить одну модель сдавать экзамен несколько раз. В каждом fold модель обучается заново на разрешённой части данных, а затем проверяется на другой части.
В классической k-fold cross-validation данные делят на k частей. Каждая часть один раз становится validation-набором, а остальные k−1 частей — training-набором. В KFold именно так формируются последовательные train/validation splits.
1/5
ПРОВЕРЬ ИИ
Что происходит при 5-fold cross-validation?
1. Модель обучается один раз, а затем пять раз проверяется на разных наборах.
2. Данные делят на пять частей; пять раз модель обучается заново, каждый раз на четырёх частях, а оставшаяся часть используется для проверки.
3. Пять разных моделей обучаются на пяти полностью разных датасетах.
4. Один test set проверяется пять раз, а затем выбирается лучший результат.
Выберите вариант до того, как читать дальше.
Сезон 4. Машинное обучение, данные и статистика
Сезон 4 · Пост 10 Спецвыпуск 1/5 · Проверь ИИ
Ответ — №2
Вот где название cross-validation иногда вводит в заблуждение.
Можно представить:
есть одна обученная модель, и мы просто пять раз устроили ей разные экзамены.
Нет.
В классической 5-fold схеме происходит другое.
Представим датасет:
A · B · C · D · E
Цикл 1
Обучаем на:
B + C + D + E
Проверяем на:
A
Цикл 2
Обучаем заново на:
A + C + D + E
Проверяем на:
B
И так далее.
Каждый fold один раз становится проверочным, а остальные используются для обучения. Именно так определяется KFold в документации scikit-learn.
Ключевое слово — заново
В каждом цикле мы должны оценивать модель так, как если бы validation-fold действительно был для неё новым.
Поэтому модель не должна переносить выученные параметры из предыдущего fold.
И preprocessing, который чему-то учится по данным, тоже должен заново обучаться только на training-части текущего fold.
Это напрямую продолжает тему 14 октября.
Что получаем в конце?
Не одну цифру.
Например:
91% 93% 92% 94% 93%
Теперь можно посмотреть:
среднее;
разброс;
устойчивость результата.
Cross-validation именно поэтому полезна как способ оценивать performance на нескольких разбиениях, а не зависеть от одного конкретного holdout.
Но не делаем новый миф
5-fold всегда лучше 10-fold.
Нет.
И:
чем больше folds, тем честнее оценка.
Тоже не универсальный закон.
Количество folds — часть дизайна эксперимента.
Главная мысль
Cross-validation повторяет не только проверку. Она повторяет цикл “обучить → проверить” на разных допустимых разбиениях.
Какой вариант выбрали вы — 1, 2, 3 или 4?
#ЯИИ #ПроверьИИ #CrossValidation #KFold #сезон4
2/5
ЧТО ЗДЕСЬ СДЕЛАЛ ЧЕЛОВЕК?
Почему именно пять folds?
Почему не три?
Не десять?
И кто вообще решил, КАК делить данные?
Сезон 4. Машинное обучение, данные и статистика
Сезон 4 · Пост 10 Спецвыпуск 2/5 · Что здесь сделал человек?
Фраза:
«Мы использовали cross-validation».
сама по себе ещё почти ничего не говорит о качестве проверки.
Потому что cross-validation тоже нужно спроектировать.
Человек выбрал количество folds
Например:
5-fold
или
10-fold.
При пяти folds модель каждый раз учится примерно на 80% данных и проверяется примерно на 20%.
Но число 5 —
не физический закон машинного обучения.
Даже scikit-learn предоставляет n_splits как настраиваемый параметр KFold.
Человек решил, перемешивать ли данные
KFold по умолчанию делит данные на последовательные folds без перемешивания; при необходимости можно включить shuffle.
Но и здесь нельзя автоматически сказать:
«перемешать всегда лучше».
Иногда именно перемешивание разрушает структуру задачи.
Человек выбрал тип cross-validation
Вот где становится по-настоящему интересно.
Если это обычные достаточно независимые наблюдения —
