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 276 130 مشتركاً، محتلاً المرتبة 337 في فئة التكنولوجيات والتطبيقات والمرتبة 1 374 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 276 130 مشتركاً.
بحسب آخر البيانات بتاريخ 06 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار -2 370، وفي آخر 24 ساعة بمقدار -145، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 8.02%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 6.32% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 22 160 مشاهدة. وخلال اليوم الأول يجمع عادةً 17 447 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 335.
- 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 07 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
276 130
المشتركون
-14524 ساعات
-8617 أيام
-2 37030 أيام
أرشيف المشاركات
276 105
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
276 105
🐭 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
276 105
🗣 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
276 105
🔼 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
276 105
276 105
📏 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
276 105
📹 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
276 105
📑 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
276 105
📐 RepMLPNet: Hierarchical Vision MLP with Re-parameterized Locality (PyTorch)
Github: https://github.com/DingXiaoH/RepMLP
Pre-trained model: https://drive.google.com/drive/folders/1eDFunxOQ67MvBBmJ4Bw01TFh2YVNRrg2?usp=sharing
Paper: https://arxiv.org/abs/2112.11081v1
Task: https://paperswithcode.com/task/semantic-segmentation
@ai_machinelearning_big_data
276 105
💻 SmartMarket — это единая точка доступа ко всем технологическим платформам Сбера. С помощью SmartMarket вы сможете:
— Использовать десятки современных инструментов — от веб-хостинга до нейросетевых решений;
— Подключить к готовому проекту NLP-платформу и распознавание жестов;
— Использовать виртуальных персонажей или создать Создать виртуального персонажа или чат-ботСоздать виртуального персонажа или чат-бот;
— Монетизировать бизнес в один клик;
— Организовать облачное хранение данных;
— Пользоваться документацией, API и спецификациями для всех сервисов и многое другое!
А еще вы получите доступ к аудитории Сбера в 100 млн человек и сообществу из 2500+ IT-специалистов, сможете общаться с ними в Telegram-канале и посещать регулярные митапы.
👉🏻 Бесплатно зарегистрироваться в SmartMarket Studio можно уже сейчас.
276 105
🌠 NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems
NetKet is an open-source project delivering cutting-edge methods for the study of many-body quantum systems with artificial neural networks and machine learning techniques.
Github: https://github.com/netket/netket
Paper: https://arxiv.org/pdf/2112.10526v1.pdf
Homepage: https://www.netket.org
Documentation: https://www.netket.org/documentation
Tutorials: https://www.netket.org/tutorials
@ai_machinelearning_big_data
276 105
💡 Ensembling Off-the-shelf Models for GAN Training
Github: https://github.com/nupurkmr9/vision-aided-gan
Paper: https://arxiv.org/pdf/2112.09130v1.pdf
Dataset: https://paperswithcode.com/dataset/lsun
@ai_machinelearning_big_data
276 105
Разработчик ML в Финтех Яндекса
Новый сервис продолжает свои поиски: будущему Банку нужны разработчики ML. И чем больше, тем лучше!
Что предстоит делать? Решать задачи от риск-моделирования до моделей привлечения и ретеншна пользователей; строить большие и сложные модели, которые учитывают данные самой разной природы из тех, что есть в Яндексе; совмещать современный ML и глубокое обучение с продвинутыми статистическими моделями.
Что ещё? Отвечать за весь стек ML-задач: и не только обучать модели, но и внедрять их в production, налаживать процессы обучения, деплоя и мониторинга моделей, пользуясь развитой ML-инфраструктурой большого Яндекса.
Верим, что многим из вас интересно заложить фундамент ML в большом стартапе внутри большого Яндекса, и, к/Users/egor/Downloads/yandex.mp4онечно, максимально прокачаться. Будет сложно, будет круто — приходите, скучать точно не придётся!
Никаких долгих изматывающих собесов, попасть в телеграм к эйчару можно прямо с этой промки, после простой задачки-капчи.
276 105
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@ai_machinelearning_big_data
276 105
📹 Vision Transformer Based Video Hashing Retrieval for Tracing the Source of Fake Videos
Github: https://github.com/lajlksdf/vtl
Paper: https://arxiv.org/abs/2112.08117v1
Dataset: https://paperswithcode.com/dataset/dftl
@ai_machinelearning_big_data
276 105
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@ai_machinelearning_big_data
276 105
Бесплатный онлайн-учебник по ML и Data Science
Для начинающих ML-специалистов, аналитиков и разработчиков появилось отличное учебное онлайн-пособие, которое систематизирует актуальную базовую информацию о Machine Learning и Data Science и помогает погрузиться в тему.
Авторы учебника — специалисты Школы анализа данных Яндекса — проводят от основ машинного обучения и знакомства с ключевыми для ML разделами математики до примеров реального применения их на практике. Учебник выложен в свободный доступ, и сейчас в нем открыты две главы: «Классические методы обучения с учителем» и «Оценка качества моделей». В ближайшее время появятся и новые разделы — авторы обещают регулярно обновлять информацию вслед за развитием сферы ML. Добавляйте в закладки!
276 105
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@ai_machinelearning_big_data
276 105
💉 Semi-supervised-learning-for-medical-image-segmentation.
Github: https://github.com/HiLab-git/SSL4MIS
Paper: https://arxiv.org/abs/2112.04894v1
@ai_machinelearning_big_data
276 105
Federated Learning: Collaborative Machine Learning with a Tutorial on How to Get Started
https://www.kdnuggets.com/2021/12/federated-learning-collaborative-machine-learning-tutorial-get-started.html
@ai_machinelearning_big_data
