متاح الآن! بحث تيليغرام 2025 — أهم رؤى العام 
Machinelearning
الذهاب إلى القناة على Telegram
Погружаемся в машинное обучение и Data Science Показываем как запускать любые LLm на пальцах. По всем вопросам - @haarrp @itchannels_telegram -🔥best channels Реестр РКН: clck.ru/3Fmqri
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام Machinelearning
تُعد قناة Machinelearning (@ai_machinelearning_big_data) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 294 113 مشتركاً، محتلاً المرتبة 330 في فئة التكنولوجيات والتطبيقات والمرتبة 1 277 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 294 113 مشتركاً.
بحسب آخر البيانات بتاريخ 30 يونيو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -6 432، وفي آخر 24 ساعة بمقدار -166، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.71%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 5.50% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 22 682 مشاهدة. وخلال اليوم الأول يجمع عادةً 16 178 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 176.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل openai, claude, api, gemini, контекст.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Погружаемся в машинное обучение и Data Science
Показываем как запускать любые LLm на пальцах.
По всем вопросам - @haarrp
@itchannels_telegram -🔥best channels
Реестр РКН: clck.ru/3Fmqri”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 01 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
294 113
المشتركون
-16624 ساعات
-1 5837 أيام
-6 43230 أيام
أرشيف المشاركات
293 943
🔥 Weekend Offer для ML- и RecSys-разработчиков
RecSys ВКонтакте – это талантливые люди, которые сегодня придумывают идею — а завтра она уже в проде, полезные рекомендации для всех и небездушные технологии. Вместе с Командой VK Клипов и VK Видео вы будете разрабатывать рекомендательные системы для двух крупнейших российских видеосервисов, а с Core ML – заниматься умным ранжированием ленты и подбором интересных публикаций для пользователей, рекомендациями друзей, ранжированием комментариев.
Первая встреча: 20 июня — 1 июля.
Детальное знакомство: суббота, 2 июля.
Финальное собеседование: воскресенье, 3 июля.
Ссылка на регистрацию: https://vk.cc/ceq94C
293 943
♦️ Color engineering for special images
How to improve color encoding of unnatural images.
Article
Dataset
@ai_machinelearning_big_data
293 943
⚡️ Тест для продвинутого уровня по Machine Learning
Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning. Advanced» от OTUS и его партнера — Сбера.
📌 РЕЗУЛЬТАТ ПРОХОЖДЕНИЯ КУРСА:
Вы освоите продвинутые приемы машинного обучения, которые позволят вам уверенно себя чувствовать на ведущих Middle/ Senior позициях и справляться даже с нестандартными задачами.
💻 Двухдневный интенсив — Рекомендовать или не рекомендовать, пуcть решает ML!, 11 июля в 18:00
https://otus.pw/K5Tm/
Время прохождения теста ограниченно 20 минут
👉 ПРОЙТИ ТЕСТ
https://otus.pw/Pgmq/
293 943
📡 NU-Wave — Official PyTorch Implementation
Github: https://github.com/mindslab-ai/nuwave
Paper: https://arxiv.org/abs/2206.08545v1
Dataset: https://datashare.ed.ac.uk/handle/10283/3443
@ai_machinelearning_big_data
293 943
🔊 SoundSpaces 2.0: A Simulation Platform for Visual-Acoustic Learning
We introduce SoundSpaces 2.0, a platform for on-the-fly geometry-based audio rendering for 3D environments.
Github: https://github.com/facebookresearch/sound-spaces
Paper: https://arxiv.org/abs/2206.08312v1
Dataset: https://paperswithcode.com/dataset/librispeech
@ai_machinelearning_big_data
293 943
"Стань дата-инженером с Яндекс Практикумом
Сервис онлайн-обучения цифровым профессиям Яндекс Практикум запускает программу обучения по специальности «Инженер данных». Курс предназначен для студентов с как минимум базовым знанием SQL и Python — перед стартом необходимо пройти тест.
Авторы и преподаватели – практикующие эксперты ведущих российских IT-компаний.
Длительность — 6,5 месяцев.
Курс на 75% состоит из практических занятий – по окончании программы в вашем портфолио будет не менее 10 проектов.
Вы научитесь:
- работать с технологиями Python, SQL, Metabase, Airflow, PostgreSQL, MongoDB, ClickHouse, Celery, Kafka, Hadoop, Apache Spark, Spark Streaming и Yandex.Cloud
- извлекать, очищать и сохранять данные
- создавать и поддерживать хранилища типов Data Warehouse и Data Lake
- работать со стриминговой обработкой данных и облаками
Претендовать на работу по новой специальности студенты курса смогут уже в ходе обучения – с поиском вакансии помогут специалисты карьерного центра Яндекс Практикум.
Запись на курс открыта, старт занятий для ближайшего потока студентов – 23 мая.
Стоимость курса:
95 000 рублей при разовой оплате, при оплате в рассрочку – 17 000 рублей в месяц.
По завершении программы студенты получат диплом о профессиональной переподготовке.
Запись на бесплатную вводную часть и подробности по ссылке.
293 943
✔️ Pythae: Unifying Generative Autoencoders in Python -- A Benchmarking Use Case
This library implements some of the most common (Variational) Autoencoder models.
Github: https://github.com/clementchadebec/benchmark_VAE
Paper: https://arxiv.org/abs/2206.08309v1
Dataset: https://paperswithcode.com/dataset/celeba
@ai_machinelearning_big_data
293 943
Метавселенные: хайп или наше будущее?
Тут понятно и доступно рассказывают про NFT, блокчейн, искусственный интеллект, метавселенные и кибернетику умных устройств.
293 943
🖊 StrengthNet
Implementation of "StrengthNet: Deep Learning-based Emotion Strength Assessment for Emotional Speech Synthesis"
Github: https://github.com/ttslr/strengthnet
Paper: https://arxiv.org/abs/2110.03156
MOSNet: https://github.com/lochenchou/MOSNet
Dataset: https://paperswithcode.com/dataset/waymo-open-dataset
@ai_machinelearning_big_data
293 943
Как повысить эффективность логистики с помощью неклассических тестов?
Ответ можно найти в последней статье Delivery Club на Хабре. В ней команда операционных аналитиков поделилась тонкостями эксперимента по внедрению switchback A/B-тестов. Вы узнаете об особенностях таких тестов, сути сетевого эффекта, об этапах запуска switchback A/B-эксперимента в логистике и его итогах.
Подробнее по ссылке.
293 943
🔖 DoWhy | An end-to-end library for causal inference
"DoWhy" is a Python library that aims to spark causal thinking and analysis.
Github: https://github.com/py-why/dowhy
Docs: https://py-why.github.io/dowhy/
Paper: https://arxiv.org/abs/2206.06821v1
Video: https://note.microsoft.com/MSR-Webinar-DoWhy-Library-Registration-On-Demand.html
@ai_machinelearning_big_data
293 943
Слышали о профессии аналитика данных, но сомневаетесь? Поможем понять, подходит ли вам специальность.
→ Бесплатный вебинар 17 июня в 19:00
О профессии расскажут эксперты:
◾️ Ирина Ефимова, руководитель продуктовых исследований направления анализа данных в Яндекс Практикуме
◾️ Артем Исакин, руководитель трудоустройства направления анализа данных в Яндекс Практикуме
◾️ Михаил Панфилов, Junior Data Engineer в Dostavista, выпускник Практикума
Вы узнаете:
— какие аналитики бывают и чем они занимаются;
— сложно ли сейчас аналитикам данных найти работу;
— нужен ли опыт в IT;
— есть ли работа в регионах.
— чего работодатели ждут от аналитиков и как этому учат в Практикуме;
— как стартовать в профессии, если плохо знаете математику или программирование;
А в финале вы ответите на 5 вопросов, чтобы узнать подойдет ли вам профессия.
→ Зарегистрироваться на вебинар
293 943
😲 LIVE- Towards Layer-wise Image Vectorization (CVPR 2022 Oral)
New method to progressively generate a SVG that fits the raster image in a layer-wise fashion.
Github: https://github.com/picsart-ai-research/live-layerwise-image-vectorization
Project: https://ma-xu.github.io/LIVE/
Paper: https://arxiv.org/pdf/2206.04655v1.pdf
Colab: https://colab.research.google.com/drive/1s108WmqSVH9MILOjSAu29QyAEjExOWAP?usp=sharing
@ai_machinelearning_big_data
293 943
Can CNNs Be More Robust Than Transformers?
CNN architectures without any attention-like operations that is as robust as, or even more robust than, Transformers.
Github: https://github.com/ucsc-vlaa/robustcnn
Paper: https://arxiv.org/abs/2206.03452v1
Dataset: https://paperswithcode.com/dataset/imagenet-r
@ai_machinelearning_big_data
293 943
#Вакансия: Data Engineer (Middle)
📍 В классном офисе в Москве/гибрид;
📍200-350К руб., белая ЗП или ИП;
📍Большой датасет, интересные задачи, возможность влиять на продукт.
✅ОБЯЗАННОСТИ
• Проектировать, разрабатывать и поддерживать пайплайны для сбора и обработки данных;
• Обеспечивать SLA и качество данных;
• Готовить данные для моделей машинного обучения и участвовать в их продукционализации совместно с data science командой.
✅ТРЕБОВАНИЯ
• Хорошее знание технологий из стека: Python, SQL, Spark, Airflow;
• Опыт работы на проектах с большими данными, понимание принципов распределенной обработки данных;
• Опыт продуктовой разработки в технологических компаниях.
✅БУДЕТ ПЛЮСОМ:
• Опыт работы с облаками, особенно, с Яндекс.Облаком;
• Опыт разработки высоконагруженных бэкенд сервисов на Java, Scala или Python;
• Опыт работы с моделями машинного обучения в продакшене;
• Опыт работы с базами данных для аналитики, особенно, с ClickHouse.
Понравилась вакансия? Присылай CV @naikava293 943
🔥 EG3D: Efficient Geometry-aware 3D Generative Adversarial Networks by Nvidia
Expressive hybrid explicit-implicit network architecture that, together with other design choices, synthesizes not only high-resolution multi-view-consistent images in real time but also produces high-quality 3D geometry.
Github: https://github.com/NVlabs/eg3d
Project: https://nvlabs.github.io/eg3d/
Video: https://www.youtube.com/watch?v=cXxEwI7QbKg&feature=emb_logo&ab_channel=StanfordComputationalImagingLab
Paper: https://nvlabs.github.io/eg3d/media/eg3d.pdf
Documentation: https://ontomerger.readthedocs.io/
293 943
👁🗨 CVNets: A library for training computer vision networks
Improved model, MobileViTv2, is state-of-the-art on several mobile vision tasks, including ImageNet object classification and MS-COCO object detection.
Github: https://github.com/apple/ml-cvnets
Examples: https://github.com/apple/ml-cvnets/blob/main/docs/source/en/models
Paper: https://arxiv.org/abs/2206.02680v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
293 943
Создайте свою первую нейросеть за 10 дней
Благодаря машинному обучению нам доступны чудеса вроде распознавания лиц, написания песен в стиле Курта Кобейна и картин в духе Рембрандта. Создать свою собственную нейросеть реально.
На бесплатном курсе Нетологии «Искусственный интеллект: создайте свою первую нейросеть» за 5 занятий вы узнаете, как устроены нейросети и в каких сферах они применяются, а также самостоятельно обучите до 4-х математических моделей, которые будут распознавать собак на фото, классифицировать изображения и определять эмоциональную окраску сообщения. Мир Data Science и искусственного интеллекта — доступнее, чем кажется.
Убедитесь в этом сами → https://netolo.gy/iwv
293 943
🔘 Squeezeformer: An Efficient Transformer for Automatic Speech Recognition
Github: https://github.com/kssteven418/squeezeformer
Paper: https://arxiv.org/abs/2206.00888v1
Dataset: https://paperswithcode.com/dataset/librispeech
@ai_machinelearning_big_data
