FINDING #250 · 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)
3% OF STARS IN ARCHIVE
Growth Telemetry
VELOCITY /D
16.33
ACCEL
-5.50
RETENTION
0.0%
PEAK 2026-07-21 · FORK-RETENTION 0.0% · 49 STARS / WINDOW
Author Audience
AUDIENCE
273
FOLLOWERS
93
OWNER ★
1,801
Engagement Signals
FORKS
158
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 49 / 49 (DIVERSITY 1.00)
Why This Is A Finding
gavinkhung/machine-learning-visualized собрал 49 звёзд за окно, тогда как у автора всего 93 подписчиков — эффективная аудитория ≈ 273. Это даёт surprise-индекс 0.0522 (звёзды относительно охвата автора, а не в абсолюте). Удержание форков 0.0% и 0 внешних контрибьюторов отделяют реальный инструмент от разовой вспышки. Акселерация отрицательная — внимание остывает после пика.
Related Findings
RANKS ABOVE 93% OF 3618 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 3618 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.020.00+0.02ABOVE 93%
VELOCITY16.335.67+10.67ABOVE 84%
RETENTION0.0%22.2%-22.2 PPABOVE 0%
FORKS158216-58ABOVE 42%
SURPRISE0.050.01+0.04ABOVE 91%