FINDING #584 · 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
23.33
ACCEL
-6.00
RETENTION
56.1%
PEAK 2026-10-06 · FORK-RETENTION 87.5% · 70 STARS / WINDOW
Author Audience
AUDIENCE
324
FOLLOWERS
111
OWNER ★
2,133
Engagement Signals
FORKS
195
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 70 / 70 (DIVERSITY 1.00)
Why This Is A Finding
gavinkhung/machine-learning-visualized собрал 70 звёзд за окно, тогда как у автора всего 111 подписчиков — эффективная аудитория ≈ 324. Это даёт surprise-индекс 0.064 (звёзды относительно охвата автора, а не в абсолюте). Удержание форков 87.5% и 0 внешних контрибьюторов отделяют реальный инструмент от разовой вспышки. Акселерация отрицательная — внимание остывает после пика.
Related Findings
RANKS ABOVE 94% OF 9158 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 9158 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.030.00+0.03ABOVE 94%
VELOCITY23.335.67+17.67ABOVE 87%
RETENTION56.1%35.7%+20.3 PPABOVE 66%
FORKS195324-129ABOVE 40%
SURPRISE0.060.00+0.06ABOVE 90%