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 293 879 مشتركاً، محتلاً المرتبة 327 في فئة التكنولوجيات والتطبيقات والمرتبة 1 276 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 293 879 مشتركاً.
بحسب آخر البيانات بتاريخ 01 يوليو, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -6 444، وفي آخر 24 ساعة بمقدار -235، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 7.55%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 5.55% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 22 202 مشاهدة. وخلال اليوم الأول يجمع عادةً 16 311 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 172.
- 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 02 يوليو, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
293 879
المشتركون
-23524 ساعات
-1 5517 أيام
-6 44430 أيام
أرشيف المشاركات
293 877
Исследователи в области компьютерных наук могут получить миллион рублей от Яндекса!
До 20 марта открыт прием заявок на научную премию имени Ильи Сегаловича. Подать заявку могут студенты, аспиранты и научные руководители, которые занимаются распознаванием и синтезом речи, информационным поиском, машинным обучением, компьютерным зрением, обработкой естественного языка и машинным переводом.
Лауреаты премии получат:
— один миллион рублей
— оплачиваемую поездку на международную конференцию по AI
— гранты на использование сервисов Яндекс.Толока и Yandex DataSphere для своих исследований
Подробности по ссылке: https://clck.ru/amsXS
293 877
🔉 PortaSpeech: Portable and High-Quality Generative Text-to-Speech
Github: https://github.com/keonlee9420/PortaSpeech
Paper: https://arxiv.org/pdf/2109.15166v4.pdf
Dataset: https://paperswithcode.com/dataset/ljspeech
@ai_machinelearning_big_data
293 877
📎 When Shift Operation Meets Vision Transformer: An Extremely Simple Alternative to Attention Mechanism
Github: https://github.com/microsoft/SPACH
Paper: https://arxiv.org/abs/2201.10801v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
293 877
⚪ Pearl: Parallel Evolutionary and Reinforcement Learning Library
Github: https://github.com/locuslab/convmixer
Paper: https://arxiv.org/pdf/2201.09568v1.pdf
@ai_machinelearning_big_data
293 877
Как устроены рекомендательные системы фильмов, музыки и лент в соц.сетях?
10 февраля в 18:00 пройдет открытый вебинар «Recommend or not recommend? Препарируем рекомендательные системы». На занятии вместе с Марией Тихоновой, Senior Data Scientist в Сбере, мы обсудим классические подходы к построению рекомендательных систем и реализуем один из них своими руками. Вы узнаете о готовых инструментах, которые позволяют создать рекомендашку в пару строк кода.
После урока вы сможете продолжить обучение на онлайн-курсе «Machine Learning. Professional» в OTUS по спец.цене.
Для регистрации на занятие пройдите вступительный тест https://otus.pw/pfbg/
293 877
ConvMixer, an extremely simple model that is similar in spirit to the ViT and the even-more-basic MLP-Mixer
Github: https://github.com/locuslab/convmixer
Paper: https://arxiv.org/pdf/2201.09792v1.pdf
@ai_machinelearning_big_data
293 877
Курс «Аналитик данных» от Яндекс.Практикума — для тех, кто хочет освоить анализ данных с нуля и начать карьеру в IT.
За шесть месяцев студенты научатся:
— Выгружать, преобразовывать и очищать данные с помощью SQL-запросов.
— Создавать дашборды с помощью Tableau и других инструментов.
— Запускать А/В-тестирования для проверки гипотез.
— Рассчитывать ключевые метрики работы компании и оценивать их значимость.
— Решать бизнес-кейсы и взаимодействовать с командой.
Студенты будут работать над реальными задачами аналитиков: например, вычислят рыночную стоимость недвижимости в городе или определят самые популярные игровые направления. Применять теорию на практике будут под руководством профессионалов — аналитиков данных из Яндекса и других крупных IT-компаний.
А ещё студенты:
— изучат теорию и напишут код в интерактивном тренажёре,
— добавят в своё портфолио 13 реальных исследований для бизнеса,
— получат диплом о повышении квалификации,
— научатся писать резюме и проходить собеседования под руководством HR-специалистов.
Кураторы и команда поддержки помогут учиться регулярно, а найти единомышленников можно будет в сообществе одногруппников.
Пройдите бесплатный вводный модуль, чтобы понять, подходит ли вам обучение или нет.
293 877
🔥 The first high-performance self-supervised algorithm that works for speech, vision, and text
Github: https://github.com/pytorch/fairseq/tree/main/examples/data2vec
Paper: https://ai.facebook.com/research/data2vec-a-general-framework-for-self-supervised-learning-in-speech-vision-and-language
Meta AI: https://ai.facebook.com/blog/the-first-high-performance-self-supervised-algorithm-that-works-for-speech-vision-and-text/
@ai_machinelearning_big_data
293 877
🔝 Omnivore: A Single Model for Many Visual Modalities
Github: https://github.com/facebookresearch/omnivore
Code: https://github.com/facebookresearch/omnivore/blob/main/inference_tutorial.ipynb
Paper: https://arxiv.org/abs/2201.08377
Dataset: https://paperswithcode.com/dataset/epic-kitchens-100
@ai_machinelearning_big_data
293 877
🚨 Как и где узнать актуальную информацию о конференциях из мира Big Data Science? Где узнавать интересные факты о жизни Data Science?
⚠️ Ответы на эти и другие вопросы возможно получить на канале Big Data Science [RU].
Также вы сможете:
📊 получить полезные советы для аналитиков
📆 анонсы митапов и хакатонов
📩 ссылки на статьи международных изданий
📚 рекомендации на полезные DS – инструменты
🗄 и множество другой полезной информации из жизни DS
Чтобы быть в курсе актуальной информации достаточно начать читать канал Big Data Science [RU].
Переходите по указанной ссылке и получите больше информации
👉🏻 https://t.me/bdscience_ru
293 877
💡 Introducing StylEx: A New Approach for Visual Explanation of Classifiers
Github: https://explaining-in-style.github.io/
Code: https://github.com/google/explaining-in-style
Article: https://ai.googleblog.com/2022/01/introducing-stylex-new-approach-for.html
Video: https://explaining-in-style.github.io/#video
@ai_machinelearning_big_data
293 877
✨ Uniformer: Unified Transformer for Efficient Spatiotemporal Representation Learning
Github: https://github.com/sense-x/uniformer
Paper: https://arxiv.org/abs/2201.04676v1
Tasks: https://paperswithcode.com/dataset/kinetics-600
@ai_machinelearning_big_data
293 877
Искусственный интеллект: создайте свою первую нейросеть
Создайте свою первую нейросеть за 10 дней
Благодаря машинному обучению нам доступны чудеса вроде распознавания лиц, написания песен в стиле «Гражданской обороны» и картин в духе Рембрандта. Создать свою собственную нейросеть реально — и не только для опытных дата-сайентистов. Вы тоже можете попробовать.
На бесплатном курсе Нетологии «Искусственный интеллект: создайте свою первую нейросеть» вы узнаете, как устроены нейросети и в каких сферах они применяются, а также самостоятельно обучите до 4-х математических моделей. Мир Data Science и искусственного интеллекта — доступнее, чем кажется.
Убедитесь в этом сами ↓
https://netolo.gy/hvt
293 877
🐭 pymdp: A Python library for active inference in discrete state spaces
Github: https://github.com/infer-actively/pymdp
Paper: https://arxiv.org/abs/2201.03904v1
Docs: https://pymdp-rtd.readthedocs.io/
Tasks: https://paperswithcode.com/task/bayesian-inference
@ai_machinelearning_big_data
293 877
🗣 AV-HuBERT (Audio-Visual Hidden Unit BERT)
AV-HuBERT is a self-supervised representation learning framework for audio-visual speech.
Github: https://github.com/facebookresearch/av_hubert
Facebook AI: https://ai.facebook.com/blog/ai-that-understands-speech-by-looking-as-well-as-hearing/
Paper: https://arxiv.org/abs/2201.02184
@ai_machinelearning_big_data
293 877
🔼 PyramidTNT: Improved Transformer-in-Transformer Baselines with Pyramid Architecture
PyramidTNT achieves better performances than the previous state-of-the-art vision transformers such as Swin Transformer
Github: https://github.com/huawei-noah/CV-backbones
Paper: https://arxiv.org/abs/2201.00978v1
GhostNet: https://github.com/huawei-noah/CV-backbones/tree/master/ghostnet_pytorch
@ai_machinelearning_big_data
293 877
293 877
📏 AdaFocus V2: End-to-End Training of Spatial Dynamic Networks for Video Recognition
Github: https://github.com/leaplabthu/adafocusv2
Paper: https://arxiv.org/abs/2112.14238v1
Tasks: https://paperswithcode.com/task/video-recognition
@ai_machinelearning_big_data
293 877
📹 MSeg: A Composite Dataset for Multi-domain Semantic Segmentation
Github: https://github.com/mseg-dataset/mseg-api
Paper: https://arxiv.org/abs/2112.13762
Dataset: https://paperswithcode.com/dataset/sun-rgb-d
@ai_machinelearning_big_data
293 877
📑 GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models
Github: https://github.com/openai/glide-text2im
Notebooks: https://github.com/openai/glide-text2im/blob/main/notebooks
Paper: https://arxiv.org/abs/2112.10741
Task: https://paperswithcode.com/task/image-generation
@ai_machinelearning_big_data
