FINDING #573 · 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)
1% OF STARS IN ARCHIVE
Growth Telemetry
VELOCITY /D
21.00
ACCEL
0.00
RETENTION
0.0%
PEAK 2026-10-08 · FORK-RETENTION 0.0% · 21 STARS / WINDOW
Author Audience
AUDIENCE
324
FOLLOWERS
111
OWNER ★
2,133
Engagement Signals
FORKS
195
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 21 / 21 (DIVERSITY 1.00)
Why This Is A Finding
gavinkhung/machine-learning-visualized собрал 21 звёзд за окно, тогда как у автора всего 111 подписчиков — эффективная аудитория ≈ 324. Это даёт surprise-индекс 0.0577 (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 91% OF 6083 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 6083 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.030.00+0.03ABOVE 91%
VELOCITY21.0010.00+11.00ABOVE 77%
RETENTION0.0%0.0%0.0 PPABOVE 0%
FORKS195410-215ABOVE 36%
SURPRISE0.060.01+0.05ABOVE 83%