MARIA BRAZHNIKOVA·Энергобиопсихосоциальная модель здоровья
Идея энергобиопсихосоциальной модели: здоровье как баланс биологии, психики, социума и энергии; упомянут курс «ДЕТОКС МОЗГА».
Читать
Каналы
MARIA BRAZHNIKOVA·MARIA BRAZHNIKOVA·Здоровье как ежедневный выбор: питание и микробиота
Мария Бражникова о том, что здоровье формируется ежедневными решениями: питание как индивидуальная настройка организма и роль микробиоты. Курс «ДЕТОКС МОЗГА».
Читать
MARIA BRAZHNIKOVA·Смена ориентиров питания и роль генетики
Размышления о смене диетических трендов и роли генетики, микробиоты и лабораторных тестов в персонализации питания.
Читать
MARIA BRAZHNIKOVA·Онлайн: Марафон и Конференция «Эпигенетический взлом-2026»
Анонс бесплатного марафона (17–21 июня) и онлайн‑конференции «Эпигенетический Взлом‑2026» (27–28 июня). Регистрация и ссылки на участиe.
Читать
MARIA BRAZHNIKOVA·Вы сладкоежка? 🍫
О возможной связи тяги к сладкому с ростом грибков (Candida), дефицитом магния, стрессом; советы поддержать микробиоту, печень и питание.
Читать
MARIA BRAZHNIKOVA·Почему знание не меняет жизнь
Размышления о том, почему люди понимают, но не меняют привычки: скрытые выгоды бездействия, усталость и потребность в заботе.
Читать
MARIA BRAZHNIKOVA·Сочетания витаминов и добавок
Практическая шпаргалка от Марии Бражниковой: совместимость витаминов и добавок, что не принимать вместе и что улучшает усвоение.
Читать
MARIA BRAZHNIKOVA·«Новое тело» — оздоровительный практикум в Ульяновске
В Ульяновске 1–10 августа практикум «Новое тело» с Марией Бражниковой и Еленой Панфиловой: питание, процедуры и глубокая работа над намерением. Осталось 1 место.
Читать
IT Загрузка..·Локальные AI-модели: LM Studio, Ollama — полный гайд
Сравнение LM Studio и Ollama для локального запуска LLM: преимущества, сценарии применения, требования к ПК и рекомендации по выбору.
Читать
IT Загрузка..·Data Quality: инструменты и практики — Great Expectations
Обзор Great Expectations — open-source фреймворк для валидации и документирования правил качества данных, интеграции с Pandas, Spark и CI/CD.
Читать
IT Загрузка..·Ошибки в промптах: топ-10 и как их исправить
10 частых ошибок в промптах и практичные способы их исправить: роль, аудитория, формат, ограничения и самопроверка ответов.
Читать
IT Загрузка..·Создание AI-агента в Make (Integromat): туториал
Пошаговый туториал по созданию AI-агента в Make с использованием OpenAI: от источников данных и парсинга JSON до маршрутизации и интеграций в CRM и мессенджеры.
Читать
IT Загрузка..·Автоматизация промптов: шаблоны в N8N и Make
Короткий обзор автоматизации промптов в n8n и Make — как собирать шаблоны для генерации текстов, обработки лидов и интеграции с CRM и Sheets.
Читать
IT Загрузка..·Нейронные сети: принцип работы на пальцах
Краткое объяснение принципов работы нейронных сетей: слои, обучение, обратное распространение и ограничения — простыми словами.
Читать
IT Загрузка..·Kaggle: как начать участвовать в ML-соревнованиях
Короткий путеводитель по Kaggle: зачем участвовать, с чего начать новичку, ключевые ошибки и полезные практики для портфолио.
Читать
IT Загрузка..·Named Entity Recognition (NER): извлечение сущностей
Краткое объяснение NER: что это, какие сущности находит (PER, ORG, LOC, DATE) и где применяют в IT — spaCy, Hugging Face, DeepPavlov.
Читать
IT Загрузка..·Топ-20 промптов для ChatGPT, которые изменят вашу работу
Сборник из 20 рабочих промптов для ChatGPT: суммаризация, SEO, код, контент-планы и универсальные шаблоны для работы.
Читать
IT Загрузка..·Few-shot vs Zero-shot промпты: в чём разница?
Краткое сравнение zero-shot и few-shot prompting: когда использовать каждый подход, их плюсы для точности, формата и повторяемости ответов LLM.
Читать
IT Загрузка..·Библиотека промптов: как создать и систематизировать
Краткий гид по созданию и систематизации библиотеки промптов: категории, шаблоны карточек, теги, хранение и оценка эффективности.
Читать
IT Загрузка..·Переобучение модели: что это и как с ним бороться
Краткое объяснение, как распознать и уменьшить переобучение в ML: причины, признаки и методы (регуляризация, кросс-валидация, упрощение модели).
Читать