لا تقع ضحية للمخادعين! تيليمتريو يكتشف ويُميّز هذه القنوات 👉 إذا كنت تريد رؤية العلامة، اشترك

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

الشبكة:Machinelearning روسيا1 377 التكنولوجيات والتطبيقات334...

📈 نظرة تحليلية على قناة تيليجرام Machinelearning

تُعد قناة Machinelearning (@ai_machinelearning_big_data) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 276 830 مشتركاً، محتلاً المرتبة 334 في فئة التكنولوجيات والتطبيقات والمرتبة 1 377 في منطقة روسيا.

📊 مؤشرات الجمهور والحراك

منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 276 830 مشتركاً.

بحسب آخر البيانات بتاريخ 31 أكتوبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -1 719، وفي آخر 24 ساعة بمقدار -146، مع بقاء الوصول العام مرتفعاً.

حالة التحقق: غير موثّقة
معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 8.38‎%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 6.14‎% من ردود الفعل نسبةً إلى إجمالي المشتركين.
وصول المنشورات: يحصل كل منشور على متوسط 23 205 مشاهدة. وخلال اليوم الأول يجمع عادةً 16 993 مشاهدة.
التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 362.
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 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.

276 830

المشتركون

-14624 ساعات

-7017 أيام

-1 71930 أيام

23 205

عرض المشاهدات

~ 16 99324 ساعات

~ 19 16448 ساعات

8.38%

معدل المشاركة

~ 6

المشاركات في اليوم

Ads index

beta

أرشيف المشاركات

276 824

⚡Top 100+ Machine Learning Projects for 2023 [with Source Code] В этой статье вы найдете 100+ лучших проектов и идей в области машинного обучения, которые будут полезны как начинающим, так и опытным специалистам. 📌 Projects ai_machinelearning_big_data

276 824

👨‍🎓Harvard CS50’s Artificial Intelligence with Python – Full University Course В этом бесплатном курсе Гарвардского университета рассматриваются концепции и алгоритмы, лежащие в основе современного искусственного интеллекта. 🎞 Video 📌 Course resources ai_machinelearning_big_data

276 824

✅ SSLRec: A Self-Supervised Learning Library for Recommendation SSLRec, a novel benchmark platform that provides a standardized, flexible, and comprehensive framework for evaluating various SSL-enhanced recommenders. SSLRec - это фреймворк основанный на PyTorch с открытым исходным кодом для рекомендательных систем, усовершенствованных с помощью self-supervised learning. Он удобен в использовании и содержит датасеты код для обработки данных, обучения, тестирования, оценки, а также современные исследовательские модели. SSLRec предлагает широкий набор полезных функций и простой в использовании интерфейс, упрощающий разработку и оценку рекомендательных моделей. 🖥 Github: https://github.com/hkuds/sslrec 📕 Paper: https://arxiv.org/abs/2308.05697v1 ⛓ Models: https://github.com/HKUDS/SSLRec/blob/main/docs/Models.md ☑️ Datasets: https://github.com/HKUDS/SSLRec/blob/main/docs/Models.md ai_machinelearning_big_data

276 824

🪄Optimizing a Text-To-Speech model using 🤗 Transformers В этом руководстве показано как можно оптимизировать Bark, модель Text-To-Speech (TTS), на основе трех библиотек из экосистемы Hugging face: Transformers, Optimum и Accelerate. 🤗 Post: https://huggingface.co/blog/optimizing-bark 🖥 Colab: https://colab.research.google.com/github/ylacombe/notebooks/blob/main/Benchmark_Bark_HuggingFace.ipynb ⭐️ Bark: https://huggingface.co/docs/transformers/main/en/model_doc/bark#overview ai_machinelearning_big_data

276 824

Присоединяйтесь к TechTrain 2023 Autumn — онлайн-фестивалю, посвященному машинному обучению и искусственному интеллекту. В программе — классическое ML, Computer Vision, NLP, ASR, RecSys, LLMs и MLOps. Обязательно будут обсуждения прикладного использования ML на примере конкретных проектов. Обзор таких тем, как графовые модели, генеративные нейросети, AI в разработке и другое. Участников ждут как актуальные практики применения ML&AI, так и дискуссии со спикерами и экспертами. Проводит фестиваль JUG Ru Group — организатор крупных технических IT-конференций и митапов для разработчиков. Дата проведения: 30 августа. Читайте подробности и регистрируйтесь бесплатно — на сайте.

276 824

🚀 AgentBench: Evaluating LLMs as Agents. AgentBench, a multi-dimensional evolving benchmark that currently consists of 8 distinct environments to assess LLM-as-Agent's reasoning and decision-making abilities in a multi-turn open-ended generation setting. Комплексный бенчмарк для оценки работы LLM агентов. 🖥 Github: https://github.com/thudm/agentbench 📕 Paper: https://arxiv.org/abs/2308.03688v1 ☑️ Dataset: https://paperswithcode.com/dataset/alfworld ai_machinelearning_big_data

276 824

❗️Один из важнейших инструментов MLOps — это MLFlow. ▶️ 10 августа в 20:00 мск в рамках онлайн-курса MLOps от OTUS пройдёт открытый урок «MLflow версии 2. Рецепты и пайплайны в машинном обучении». ✅ На открытом уроке вы узнаете: 🔹 О развитии MLFlow и о том, какие усовершенствования вошли в новые релизы (2.x) 🔹 О роли пайплайнов в организации процессов машинного обучения 🔹 Что такое MLFlow recipes и как их использовать для повышения эффективности работы DS 🧑‍💻 Спикером выступит преподаватель OTUS Данила Слепов. Он проектирует AI-системы, разрабатывает архитектуру MLOps платформ. 👉 РЕГИСТРАЦИЯ https://otus.pw/UrGTq/ Нативная интеграция. Информация о продукте www.otus.ru

276 824

👁‍🗨 PyTorch Toolbox for Image Quality Assessment An IQA toolbox with pure python and pytorch. Набор инструментов и датасетов PyTorch для оценки качества изображений, включая LPIPS, FID, NIQE, NRQM(Ma), MUSIQ, NIMA, DBCNN, WaD 🖥 Github: https://github.com/chaofengc/iqa-pytorch 📕 Paper: https://arxiv.org/abs/2308.03060v1 🖥 Colab: https://colab.research.google.com/drive/14J3KoyrjJ6R531DsdOy5Bza5xfeMODi6?usp=sharing ☑️ Dataset: https://paperswithcode.com/dataset/koniq-10k ai_machinelearning_big_data

276 824

Хотите работать с большими данными, строить модели для бизнеса и создавать свои сервисы? На курсе Start ML за 7 месяцев вы получите все знания и навыки, необходимые сильному ML-специалисту. Вы научитесь разрабатывать приложения на Python, обучать модели и нейронные сети, а также оценивать их влияние на бизнес с помощью статистики и A/B-тестов — всё под руководством практиков из Яндекс и Raiffeisen. К концу обучения у вас будет готовый сервис по ранжированию и выдаче релевантных постов в социальной сети, о котором вы сможете рассказать будущему работодателю. А ещё наш HR обязательно поможет вам с трудоустройством — в течение трёх месяцев работу находят 84% наших выпускников. Новый поток стартует 10 августа. Также на сайте есть бесплатная демоверсия. [Записаться]

276 824

🎲 Anti-Exploration by Random Network Distillation, Tinkoff Research, ICML 2023 We propose a new ensemble-free offline RL algorithm called SAC-RND. We evaluate our method on the D4RL (Fu et al., 2020) benchmark, and show that SAC-RND achieves performance comparable to ensemble-based methods while outperforming ensemble-free approaches. Ученые из Tinkoff Research открыли новый Offline-RL алгоритм, который показывает SOTA-результаты, сравнимые с ансамблевыми моделями (в некоторых случаях даже лучше) и при этом требует до 20 раз меньше времени на обучение. 🖥 Github: https://github.com/tinkoff-ai/sac-rnd 🤓 Paper: https://proceedings.mlr.press/v202/nikulin23a.html ai_machinelearning_big_data

276 824

🌉Enhancing Visibility in Nighttime Haze Images Using Guided APSF and Gradient Adaptive Convolution Experiments demonstrate that our method achieves a PSNR of 30.72dB, outperforming state-of-the-art methods by 14 on GTA5 nighttime haze dataset. Модель улучшение видимости ночных изображений, путем подавления свечения и усиления слабоосвещенных областей с помощью функции APSF (Angular Point Spread Function). 🖥 Github: https://github.com/jinyeying/nighttime_dehaze/tree/main 📕 Paper: https://arxiv.org/abs/2308.01738v1 ☑️ Dataset: https://www.dropbox.com/sh/7qzmb3y9akejape/AABYf2ZAqn_5vmPsOPg7KqoMa?dl=0 ai_machinelearning_big_data

276 824

🧍‍♂ Reconstructing Three-Dimensional Models of Interacting Humans Tools to process and visualize the IMAR Vision Datasets: CHI3D, FlickrCI3D, HumanSC3D, FlickrSC3D and Fit3D. Наборы инструментов и датасетов для задач 3d реконструкций, сегментации и обнаружения людей. 🖥 Github: https://github.com/sminchisescu-research/imar_vision_datasets_tools 📕 Paper: https://arxiv.org/abs/2308.01854v1 ⭐️ Project: https://ci3d.imar.ro/ ☑️ Dataset: https://paperswithcode.com/dataset/chi3d ai_machinelearning_big_data

276 824

✅ LISA: Reasoning Segmentation via Large Language Model New segmentation task -- reasoning segmentation. The task is designed to output a segmentation mask given a complex and implicit query text. LISA раскрывает новые возможности сегментации мультимодальных LLM и позволяет решать сложные задачи рассуждения на знание реального мира. 🖥 Github: https://github.com/dvlab-research/lisa 📕 Paper: https://arxiv.org/abs/2308.00692v2 ☑️ Dataset: https://github.com/dvlab-research/lisa#dataset ai_machinelearning_big_data

276 824

Яндекс Практикум ищет авторов на курсы по машинному обучению и «Математика для анализа данных» Частичная занятость (2-3 часа в день) Яндекс Практикум — это сервис онлайн-образования, где каждый может освоить современные цифровые профессии. Задача автора — создавать и улучшать образовательный контент, чтобы обучение было актуальным. Что предстоит делать? Помимо теории нужно будет придумывать квизы, тесты, практические задания, дополняя это примерами из вашей профессиональной жизни. Почему вам стоит стать автором курса? ● Помощь тысячам людей получить востребованную IT-профессию. ● Прокачка себя и подтверждение своей экспертности. ● Дополнительных доход на удалёнке. Оставьте отклик на сайте, пройдите отбор и станьте проводником в мир IT-профессий 👇 Автор курса «Математика для анализа данных» Автор курсов по машинному обучению

276 824

🦩 OpenFlamingo: An Open-Source Framework for Training Large Autoregressive Vision-Language Models An open-source framework for training large multimodal models. OpenFlamingo - семейство авторегрессионных моделей для обучения LMM в стиле Flamingo с параметрами от 3B до 9B. OpenFlamingo можно использовать для создания подписи к изображению или для создания тейзисов на основе изображения. Преимуществом такого подхода является возможность быстрой адаптации к новым задачам с помощью внутриконтекстного обучения. pip install open-flamingo 🖥 Github: https://github.com/mlfoundations/open_flamingo 📕 Paper: https://arxiv.org/abs/2308.01390 ⭐️ Demo: https://huggingface.co/spaces/openflamingo/OpenFlamingo ☑️ Dataset: https://paperswithcode.com/dataset/flickr30k ai_machinelearning_big_data

276 824

Приглашаем на новую конференцию от Яндекса по прикладному ML — Practical ML Conf 2023. Регистрация уже открыта! 7 сентября мы проведём большую конференцию по прикладному Machine Learning, где обсудим все новости, которые происходят в ML-отрасли. Это будет хардовая конференция для экспертов: с глубокими техническими докладами и главными ML-инженерами отрасли. Поговорим о ключевых вопросах индустрии: генеративных моделях, Research, NLP, Hardware, CV, RecSys, MLOps и Ecomm. Обсудим реальное применение ML в бизнесе, поделимся кейсами и их решениями. Вот лишь несколько докладов из нашей программы: 🔸Алексей Морозов, руководитель группы модернизации нейронных сетей, Яндекс Поиск. Расскажет про zero-cost fault tolerance в распределённом глубоком обучении. 🔸Валерий Ильин, руководитель группы разработки компьютерного зрения и бизнес-процессов на роботе, Яндекс Маркет. Объяснит, как устроено компьютерное зрение роботов на складах Маркета. 🔸Андрей Зимовнов, ML-директор, Дзен. Расскажет, как в Дзене переосмыслили item2item-рекомендации. 🔸Александр Ледовский, руководитель команды DS и аналитики в монетизации, Авито. Объяснит, как работают рекламные аукционы и автобиддинг в продуктах продвижения Авито. Зарегистрироваться на участие в конференции и узнать все подробности про доклады и спикеров можно здесь. И подписывайтесь на @Yandex4Developers, там мы скоро начнём рассказывать о программе Practical ML Conf 2023

276 824

💼 Introducing Qwen-7B: Open foundation and human-aligned models (of the state-of-the-arts) Qwen-7B outperforms the baseline models of a similar model size, and even outperforms larger models of around 13B parameters, on a series of benchmark datasets. Большая языковая модель на основе трансформеров, которая предварительно обучена на большом объеме данных, включая веб-тексты, книги, кодексы и т.д. По сравнению с моделями аналогичного размера, значительно превосходит конкурентов на ряде эталонных датасетов. Токенизатор модели, основан включаеи более 150 к. токенов. 🖥 Github: https://github.com/QwenLM/Qwen-7B 📕 Paper: https://github.com/QwenLM/Qwen-7B/blob/main/tech_memo.md ☑️ Dataset: https://paperswithcode.com/dataset/mmlu ai_machinelearning_big_data

276 824

Как маленькая нейроязыковая модель победила большую облачную Разработчики Яндекс Клавиатуры рассказали, как отказались от n-граммной модели и выбрали нейроязыковую, поделились итоговой архитектурой модели и показали, насколько получился прирост по метрике saved keys в разных группах приложениях. 🔗 Хабр: https://habr.com/ru/companies/yandex/articles/751598/ ai_machinelearning_big_data

276 824

⚡️ Improving Pixel-based MIM by Reducing Wasted Modeling Capability A new method that explicitly utilizes low-level features from shallow layers to aid pixel reconstruction. MMPreTrain - это набор инструментов для предварительного обучения с открытым исходным кодом, основанный на PyTorch. Он является частью проекта OpenMMLab. 🖥 Github: https://github.com/open-mmlab/mmpretrain 📕 Paper: https://arxiv.org/abs/2308.00261v1 ⭐️Project: mmpretrain.readthedocs.io/en/latest/ ☑️ Dataset: https://paperswithcode.com/dataset/coco ai_machinelearning_big_data

276 824

Repost from Центр непрерывного образования ФКН НИУ ВШЭ

📣 Центр непрерывного образования ФКН приглашает на Летнюю школу по аналитике и Data Science! Вас ждут лекции и мастер-классы от спикеров из Яндекса, МТС, Тинькофф, Альфа-Банка, Х5 Group, Дзен, Genotek, Мегафона и не только. Приглашаем всех, кто хочет разобраться: 🔷 Зачем осваивать анализ данных? Как справиться с огромным потоком данных в компании и использовать их на пользу бизнеса? 🔷 Какие сегодня есть тренды в ИИ и как устроены современные технологии? 🔷 Как Data Science применяется в разных индустриях: ритейле, телекоме и медицине? Какие знания в области нужны для работы аналитика в банке? 🔷 Что нужно изучить, чтобы стать аналитиком данных или специалистом по Data Science? Чем аналитик данных отличается от специалиста по data science? Школа подойдет как тем, кто только решил освоить новую профессию, так и начинающим специалистам. 🗓 Когда: 19-20 августа 2023 📌 Где: здание Вышки в Москве на Покровском бульваре, 11 Участие бесплатное для всех желающих, нужно зарегистрироваться до 14 августа.