FINDING #2166 · UNIT ID 949199938
gavinkhung/machine-learning-visualized
ML algorithms implemented and derived from first-principles in Jupyter Notebooks and NumPy
SURPRISE SCORE
0.00
Score Breakdown
SCORE = SURPRISE × ENGAGEMENT^0.7 × FRESHNESS × VISIBILITY × CONFIDENCE
SURPRISE = WINDOW STARS / DAYS / (AUDIENCE + FLOOR)
8% OF STARS IN ARCHIVE
Growth Telemetry
VELOCITY /D
4.80
ACCEL
+0.15
RETENTION
0.0%
PEAK 2026-07-21 · FORK-RETENTION 0.0% · 144 STARS / WINDOW
Author Audience
AUDIENCE
273
FOLLOWERS
93
OWNER ★
1,801
Engagement Signals
FORKS
158
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 144 / 144 (DIVERSITY 1.00)
Why This Is A Finding
gavinkhung/machine-learning-visualized собрал 144 звёзд за окно, тогда как у автора всего 93 подписчиков — эффективная аудитория ≈ 273. Это даёт surprise-индекс 0.0153 (звёзды относительно охвата автора, а не в абсолюте). Удержание форков 0.0% и 0 внешних контрибьюторов отделяют реальный инструмент от разовой вспышки. Акселерация положительная — рост ещё не выдохся.
Related Findings
RANKS ABOVE 74% OF 8395 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 8395 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.010.00+0.00ABOVE 74%
VELOCITY4.803.83+0.97ABOVE 58%
RETENTION0.0%24.7%-24.7 PPABOVE 0%
FORKS158109+49ABOVE 60%
SURPRISE0.020.01+0.01ABOVE 64%