FINDING #1035 · 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)
33% OF STARS IN ARCHIVE
Growth Telemetry
VELOCITY /D
6.31
ACCEL
-0.07
RETENTION
4.6%
PEAK 2026-05-11 · FORK-RETENTION 0.0% · 568 STARS / WINDOW
Author Audience
AUDIENCE
273
FOLLOWERS
93
OWNER ★
1,801
Engagement Signals
FORKS
158
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 568 / 568 (DIVERSITY 1.00)
Why This Is A Finding
gavinkhung/machine-learning-visualized собрал 568 звёзд за окно, тогда как у автора всего 93 подписчиков — эффективная аудитория ≈ 273. Это даёт surprise-индекс 0.0202 (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 89% OF 9012 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 9012 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.010.00+0.01ABOVE 89%
VELOCITY6.313.62+2.69ABOVE 69%
RETENTION4.6%15.2%-10.6 PPABOVE 13%
FORKS158101+57ABOVE 62%
SURPRISE0.020.01+0.01ABOVE 70%