FINDING #1117 · 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)
4% OF STARS IN ARCHIVE
Growth Telemetry
VELOCITY /D
12.43
ACCEL
+4.43
RETENTION
56.1%
PEAK 2026-10-06 · FORK-RETENTION 77.8% · 87 STARS / WINDOW
Author Audience
AUDIENCE
324
FOLLOWERS
111
OWNER ★
2,133
Engagement Signals
FORKS
195
ISSUE AUTH
0
PR AUTH
0
UNIQUE STARGAZERS 87 / 87 (DIVERSITY 1.00)
Why This Is A Finding
gavinkhung/machine-learning-visualized собрал 87 звёзд за окно, тогда как у автора всего 111 подписчиков — эффективная аудитория ≈ 324. Это даёт surprise-индекс 0.0341 (звёзды относительно охвата автора, а не в абсолюте). Удержание форков 77.8% и 0 внешних контрибьюторов отделяют реальный инструмент от разовой вспышки. Акселерация положительная — рост ещё не выдохся.
Related Findings
RANKS ABOVE 89% OF 9766 FINDINGS
METRICS IN CONTEXT
MEDIAN ACROSS ALL 9766 FINDINGS · Δ vs MEDIAN · PERCENTILE = SHARE RANKED BELOW
METRICVALUEMEDIANΔ MEDPERCENTILE
SCORE0.020.00+0.01ABOVE 89%
VELOCITY12.433.57+8.86ABOVE 81%
RETENTION56.1%38.3%+17.8 PPABOVE 74%
FORKS195116+79ABOVE 62%
SURPRISE0.030.01+0.03ABOVE 83%