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
276 082
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
276 082
🦎 → 🐍 NL-Augmenter: A Framework for Task-Sensitive Natural Language Augmentation
Github: https://github.com/GEM-benchmark/NL-Augmenter
Paper: https://arxiv.org/abs/2112.02721v1
Dataset: https://paperswithcode.com/dataset/sst
@ai_machinelearning_big_data
276 082
🔗 DenseCLIP: Language-Guided Dense Prediction with Context-Aware Prompting
Github: https://github.com/raoyongming/denseclip
Paper: https://arxiv.org/abs/2112.01518v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
276 082
Intel организовал чемпионат по обработке и анализу данных. Главный приз – 1 000 000 рублей!
c 1 по 17 декабря в рамках чемпионата вам предлагается обучить нейросети с помощью инструментов для анализа информации Intel oneAPI.
Автор задачи СберМаркет - один из крупнейших онлайн-сервисов доставки продуктов. Вам предстоит - построить модель, которая предскажет, какие покупки совершит пользователь в следующем месяце. Исторические данные включают в себя информацию о покупках пользователей за последние 4 месяца.
Для того чтобы принять участие нужно зарегистрироваться, скачать предложенные датасеты и получить условия задачи
Участники соревнований получат доступ к набору программных инструментов для ускорения машинного обучения и анализа данных Intel® oneAPI на облачной платформе ML Space. Затем нужно обучить модель и готовую версию загрузить обратно на платформу для проверки. Победителем станет тот, кто наиболее точно предскажет категории товаров и получит приз – 1 000 000 рублей.
Все подробности по ссылке
#INTEL #SBERMARKET
276 082
🔹 Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Github: https://github.com/facebookresearch/Mask2Former
Installation: https://github.com/facebookresearch/Mask2Former/blob/main/INSTALL.md
Paper: https://arxiv.org/abs/2112.01527v1
Dataset: https://paperswithcode.com/dataset/cityscapes
@ai_machinelearning_big_data
276 082
🎙 Продолжаем серию митапов GPB.Talks. В этот раз спикеры из Газпромбанка и КРОК Облачные Сервисы обсудят в онлайн-формате тренды финтех-индустрии и эффективные подходы к бизнесу, которые действительно работают в 2021-м году. Митап будет интересен архитекторам, фронтенд-разработчикам, devops-инженерам, заинтересованным в облачных решениях, а также сотрудникам fintech-направления.
Спикерами выступят:
🔷 Владимир Григорьев, директор по архитектуре, и Александр Виноградов, начальник Управления архитектуры решений, расскажут, как устроена омниканальная платформа в Газпромбанке.
🔷 Максим Морарь, менеджер по развитию бизнеса КРОК Облачные Сервисы, объяснит, почему контейнеризация в связке с DevOps-подходами и облачными сервисами — это тренд, который следует учитывать любой динамично развивающейся компании с собственными цифровыми продуктами.
Модерировать митап будет Александр Виноградов — начальник Управления архитектуры решений Газпромбанка.
Чтобы принять участие, зарегистрируйтесь по ссылке > https://vk.cc/c8BNrf
276 082
Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Github: https://github.com/JDAI-CV/faceX-Zoo
Paper: https://arxiv.org/abs/2112.00568v1
Dataset: https://paperswithcode.com/dataset/replay-attack
@ArtificialIntelligencedl
276 082
Онлайн-хакатон по медицинскому искусственному интеллекту от «Наносемантики» и ФГАУ «РЦУД и РТ», на котором участникам предстоит разработать тренажёр в виде веб-сайта или мобильного приложения, который позволит пациентам с тяжёлым расстройством речи проходить реабилитацию – тренировать произношение слов и фраз.
Призовой фонд – 500 тыс.рублей, участвовать можно с 16 лет, а все решения должны быть опубликованы в Open Source под свободной лицензией Apache 2.0
• Даты проведения: 7-9 декабря
• Место проведения: online
• Регистрация: до 7 декабря
• Ссылка на регистрацию: https://nanosemantics.timepad.ru/event/1861440/
• Читать подробнее: https://habr.com/ru/company/ashmanov_net/blog/592667/
276 082
🚀 Revitalizing CNN Attention via Transformers in Self-Supervised Visual Representation Learning
Github: https://github.com/chongjiange/care
Paper: https://openreview.net/pdf?id=sRojdWhXJx
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
276 082
🧬 Evolutionary Scale Modeling
Github: https://github.com/facebookresearch/esm
Paper: https://openreview.net/pdf?id=uXc42E9ZPFs
@ai_machinelearning_big_data
276 082
Искусственный интеллект - одна из самых обсуждаемых технологий 21 века. Число специалистов, работающих в сфере ИИ, увеличивается с каждым годом, поэтому потребность в качественных условиях труда и ИИ-инфраструктуре остается исключительно высокой.
Чтобы оценить уровень удовлетворенности начинающих специалистов и профессионалов в сфере ИИ условиями работы в России, Аналитический центр при Правительстве РФ и ЦСП «Платформа» запустили масштабное исследование.
Приглашаем Вас принять участие в исследовании, поделиться своими ожиданиями и опытом работы в сфере ИИ. Для этого необходимо пройти онлайн-опрос: http://ai-survey.ru/ (около 12 мин).
Исследование носит конфиденциальный характер и продлится до 10 декабря 2021 года. Ваша оценка поможет разработать эффективные инструменты для создания благоприятных условий работы ИИ-сообщества в России.
Для пожеланий и комментариев, а также получения результатов исследования писать на info@pltf.ru
276 082
📹 End-to-End Referring Video Object Segmentation with Multimodal Transformers
Github: https://github.com/mttr2021/MTTR
Paper: https://arxiv.org/abs/2111.14821v1
Dataset: https://kgavrilyuk.github.io/publication/actor_action/
@ai_machinelearning_big_data
276 082
МТС проведет онлайн-митап для дата-сайентистов, дата-инженеров и специалистов по машинному обучению 👨💻
Беседа начнется 2 декабря в 18.00, зарегистрироваться можно здесь.
Речь, в том числе, пойдет о нюансах обучения бустингов на CPU против GPU и о том, как в МТС налажено взаимодействие между командами DS и MLOps. Также руководитель отдела аналитики в Яндекс.Еде поделится лайфхаками в ML-проектах.
276 082
🛢 Unleashing Transformers: Parallel Token Prediction with Discrete Absorbing Diffusion for Fast High-Resolution Image Generation from Vector-Quantized Codes
Github: https://github.com/samb-t/unleashing-transformers
Paper: https://arxiv.org/abs/2111.12701v1
Dataset: https://paperswithcode.com/dataset/lsun
Project: https://samb-t.github.io/unleashing-transformers
@ai_machinelearning_big_data
276 082
Участвуй в блокчейн-хакатоне от Сбера 😎
- Получи бесплатный доступ к блокчейн-платформе
- Выведи свой проект в магазин приложений блокчейн-платформы Сбера
- Получи консультацию по проекту от экспертов блокчейн-лаборатории Сбера
- Победители получат денежные призы до 350 000 рублей
Вот несколько примеров возможных проектов:
1. NFT
Кошелёк для выпуска NFT
Сервис для хранения контента NFT
Аукцион NFT
Интеграция приложения
2. DeFi
Автоматический обменник токенов
Сервис P2P-лендинга
Платформа для сбора средств
Создание и интеграция смарт-контракта
Принять участие в хакатоне: http://sber.me/?p=rdDKF
276 082
Участвуй в блокчейн-хакатоне от Сбера 😎
- Получи бесплатный доступ к блокчейн-платформе
- Выведи свой проект в магазин приложений блокчейн-платформы Сбера
- Получи консультацию по проекту от экспертов блокчейн-лаборатории Сбера
- Победители получат денежные призы до 350 000 рублей
Вот несколько примеров возможных проектов:
1. NFT
Кошелёк для выпуска NFT
Сервис для хранения контента NFT
Аукцион NFT
Интеграция приложения
2. DeFi
Автоматический обменник токенов
Сервис P2P-лендинга
Платформа для сбора средств
Создание и интеграция смарт-контракта
Принять участие в хакатоне: http://sber.me/?p=rdDKF
276 082
🔋 Density-aware Chamfer Distance
Github: density_aware_chamfer_distance
Paper: https://arxiv.org/abs/2111.12702
Dataset: https://paperswithcode.com/dataset/mvp
@ai_machinelearning_big_data
276 082
🎼 Music Classification: Beyond Supervised Learning, Towards Real-world Application
📖 Book
💻Code
📜 Paper
📝Dataset
@ai_machinelearning_big_data
276 082
🚀 Обсуждаем ML на YaTalks 2021
Уже 4 декабря Яндекс проведет YaTalks — главную конференцию для IT-сообщества. Обещают космическую программу. Среди заявленных тем ML-трека:
— Какие существуют подходы к созданию текстового и мультимедийного контента с помощью нейросетей?
— В чем сложности в обучении генеративных моделей?
— Почему оценить их качество сложнее, чем в случае с дискриминативными моделями?
Программа и регистрация на сайте.
276 082
👀 PoolFormer: MetaFormer is Actually What You Need for Vision
Github: https://github.com/sail-sg/poolformer
Paper: https://arxiv.org/abs/2111.11418
Dataset: https://paperswithcode.com/dataset/ade20k
Colab: https://colab.research.google.com/github/sail-sg/poolformer/blob/main/misc/poolformer_demo.ipynb
@ai_machinelearning_big_data
