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 276 197 مشتركاً، محتلاً المرتبة 336 في فئة التكنولوجيات والتطبيقات والمرتبة 1 374 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 276 197 مشتركاً.
بحسب آخر البيانات بتاريخ 05 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -2 229، وفي آخر 24 ساعة بمقدار -129، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 8.04%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 6.20% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 22 218 مشاهدة. وخلال اليوم الأول يجمع عادةً 17 137 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 330.
- 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 06 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
276 197
المشتركون
-12924 ساعات
-8177 أيام
-2 22930 أيام
أرشيف المشاركات
276 251
😲 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
276 251
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
276 251
#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 @naikava276 251
🔥 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/
276 251
👁🗨 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
276 251
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
276 251
🔘 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
276 251
Kuber Conf — конференция по контейнерной разработке от Yandex Cloud — возвращается в 2022!
23 июня (чт) в 14:00 Мск, в онлайн или офлайн-формате.
Мы расскажем, как не тратить на разработку месяцы, а проверять гипотезы и применять фичи на лету на всех этапах — от проектирования до эксплуатации и защиты. Поделимся опытом из первых рук — от авторов, создающих контейнерные проекты с Kubernetes®.
Будет интересно DevOps и DevSecOps, архитекторам и разработчикам.
Количество мест ограничено, регистрируйтесь →
276 251
🎆 Optimizing Relevance Maps of Vision Transformers Improves Robustness
This code allows to finetune the explainability maps of Vision Transformers to enhance robustness.
Github: https://github.com/hila-chefer/robustvit
Colab: https://colab.research.google.com/github/hila-chefer/RobustViT/blob/master/RobustViT.ipynb
Paper: https://arxiv.org/abs/2206.01161
Dataset: https://github.com/UnsupervisedSemanticSegmentation/ImageNet-S
@ai_machinelearning_big_data
276 251
💬 Text2Human - Official PyTorch Implementation
We synthesize full-body human images starting from a given human pose
Github: https://github.com/yumingj/Text2Human
Project: https://yumingj.github.io/projects/Text2Human.html
StyleGAN: https://github.com/stylegan-human/stylegan-human
Paper: https://arxiv.org/abs/2205.15996v1
Dataset: https://github.com/yumingj/DeepFashion-MultiModal
Demo video: https://youtu.be/yKh4VORA_E0
@ai_machinelearning_big_data
276 251
Вакансия: Machine learning engineer
📍в классном офисе в Москве/гибрид;
📍250-350К руб., белая ЗП или ИП;
📍большой датасет, интересные задачи, возможность влиять на продукт.
✅Что нужно делать:
• Разработка моделей машинного обучения, в частности, предиктивных моделей (например, прогнозирование оттока клиентов) и рекомендательной системы;
• Самостоятельная постановка гипотез, анализ данных и дизайн фич, проведение и оценка экспериментов;
• Участие в продукционализации ML моделей вместе с нашими cloud инженерами и data инженерами.
✅ Требования
• Знание алгоритмов машинного обучения и статистического анализа;
• Опыт программирования на Python и знание основных библиотек для работы с данными и ML моделями; знание хотя бы одного из фреймворков для deep learning;
• Знание SQL и опыт работы с большими данными;
• Понимание жизненного цикла и опыт продукционализации ML моделей.
✅ Опционально (плюс):
• Опыт участия в соревнованиях по машинному обучению (Kaggle и др);
• Понимание принципов распределенной обработки данных, опыт работы с Spark’ом и Spark MLlib;
• Знание инструментов и методов MLOps.
📩Интересна вакансия? Присылай свое резюме в tg @fedosovaAS 🙂
Кроме аналитика нам нужны разработчики и data scientist - если это ты - пиши:)
@Machinelearning_Jobs
276 251
Repost from Data Science Jobs
📍в классном офисе в Москве/гибрид;
📍250-350К руб., белая ЗП или ИП;
📍большой датасет, интересные задачи, возможность влиять на продукт.
✅Что нужно делать:
• Разработка моделей машинного обучения, в частности, предиктивных моделей (например, прогнозирование оттока клиентов) и рекомендательной системы;
• Самостоятельная постановка гипотез, анализ данных и дизайн фич, проведение и оценка экспериментов;
• Участие в продукционализации ML моделей вместе с нашими cloud инженерами и data инженерами.
✅ Требования
• Знание алгоритмов машинного обучения и статистического анализа;
• Опыт программирования на Python и знание основных библиотек для работы с данными и ML моделями; знание хотя бы одного из фреймворков для deep learning;
• Знание SQL и опыт работы с большими данными;
• Понимание жизненного цикла и опыт продукционализации ML моделей.
✅ Опционально (плюс):
• Опыт участия в соревнованиях по машинному обучению (Kaggle и др);
• Понимание принципов распределенной обработки данных, опыт работы с Spark’ом и Spark MLlib;
• Знание инструментов и методов MLOps.
📩Интересна вакансия? Присылай свое резюме в tg @fedosovaAS 🙂
Кроме аналитика нам нужны разработчики и data scientist - если это ты - пиши:)
276 251
🪄 Investigating the Role of Image Retrieval for Visual Localization -- An exhaustive benchmark.
Github: https://github.com/naver/kapture-localization
Paper: https://arxiv.org/abs/2205.15761v1
Data: https://paperswithcode.com/dataset/inloc
@ai_machinelearning_big_data
276 251
Яндекс Практикум ищет наставников на курсы по Data Science и Аналитик данных
Ждём специалистов с такими навыками:
▪️Python для анализа данных;
▪️библиотеки pandas, NumPy, Matplotlib, sklearn;
▪️основы математического анализа, линейной алгебры, теории вероятности и статистики.
▪️Мы также ценим опыт преподавания и наставничества.
Мы предлагаем:
→ Частичную занятость.
→ Доход от 30 000 ₽ в месяц.
→ Удалённую работу с гибким графиком от 8 часов в неделю.
→ Сильный опыт менторства: научим давать развивающую обратную связь начинающим аналитикам, работать с критикой и возращениями и учить их совершенствовать проекты.
→ Бесплатное обучение в Школе наставников.
→ Доступ к курсу Практикума по Data Science или Аналитик данных и скидки на остальные курсы.
→ Углубление знаний и развитие софт скиллов.
Помогайте новичкам развиваться и учитесь сами — каждый день. Если вам интересно поработать с нами — оставьте заявку.
276 251
🦠 MaSIF- Molecular Surface Interaction Fingerprints: Geometric deep learning to decipher patterns in protein molecular surfaces.
MaSIF is a proof-of-concept method to decipher patterns in protein surfaces important for specific biomolecular interactions.
Github: https://github.com/LPDI-EPFL/masif
Paper: https://www.nature.com/articles/s41592-019-0666-6
Data: https://github.com/LPDI-EPFL/masif#MaSIF-data-preparation
@ai_machinelearning_big_data
276 251
Selectel продлевает миграционные каникулы
Сейчас многие компании заняты реорганизацией своей инфраструктуры. Чтобы помочь этому процессу, в @Selectel продлили миграционные каникулы для переноса данных в объектное хранилище.
Миграционные каникулы позволяют не оплачивать запросы и хранение 30 дней с момента одобрения заявки. Этот период полностью покрывает время на подготовительные работы и снижает нагрузку на бизнес.
— Перенос данных в облачное объектное хранилище, поддерживающее S3 API.
— Специалисты Selectel помогут определить проблемные зоны, например, график бэкапов или обновления сертификатов.
— Selectel Global Connect поможет объединить сегменты территориально разнесенной инфраструктуры или развернуть гибридное облако.
— Selectel заботится о том, чтобы данные не зависли между двух хранилищ. Каникулы устроены так, чтобы пользователи имели возможность не торопиться и мигрировать по плану
Оставьте заявку и начните миграционные каникулы уже сегодня: https://slc.tl/uqy7z
276 251
✈️ HIRL: A General Framework for Hierarchical Image Representation Learning
Github: https://github.com/hirl-team/hirl
Paper: https://arxiv.org/abs/2205.13159v1
Dataset: https://paperswithcode.com/dataset/places205
@ai_machinelearning_big_data
276 251
🔥 Хардкорный тест по Machine Learning
🚀 Ответьте на 10 вопросов и проверьте, насколько вы готовы к обучению на углубленном курсе - «Machine Learning Professional» от OTUS и его партнера — Сбера.
🔶 ПОСЛЕДНИЙ ДЕНЬ
Успейте на онлайн-курс «Machine Learning Professional» и уже через 5 месяцев вы получите сильное портфолио, которое позволит вам претендовать на Junior+ и Middle позиции Data Scientist.
Время прохождения теста ограниченно 20 минут
👉 ПРОЙТИ ТЕСТ
https://otus.pw/BWoP/
