Машинное обучение RU
Все о машинном обучении админ - @workakkk @data_analysis_ml - анализ даннных @ai_machinelearning_big_data - Machine learning @itchannels_telegram -лучшие ит-каналы @pythonl - Python @pythonlbooks- python 📚 @datascienceiot - 📚 РКН: clck.ru/3FmrUw
إظهار المزيد📈 نظرة تحليلية على قناة تيليجرام Машинное обучение RU
تُعد قناة Машинное обучение RU (@machinelearning_ru) في القطاع اللغوي الروسية لاعباً نشطاً. يضم المجتمع حالياً 18 330 مشتركاً، محتلاً المرتبة 7 139 في فئة التكنولوجيات والتطبيقات والمرتبة 35 767 في منطقة روسيا.
📊 مؤشرات الجمهور والحراك
منذ تأسيسه في невідомо، حقق المشروع نمواً سريعاً وجمع 18 330 مشتركاً.
بحسب آخر البيانات بتاريخ 16 نوفمبر, 2026، تحافظ القناة على نشاط مستقر. خلال آخر 30 يوماً تغيّر عدد الأعضاء بمقدار 114، وفي آخر 24 ساعة بمقدار -8، مع بقاء الوصول العام مرتفعاً.
- حالة التحقق: غير موثّقة
- معدل التفاعل (ER): يبلغ متوسط تفاعل الجمهور 9.85%. وخلال أول 24 ساعة من النشر يحصد المحتوى عادةً 5.23% من ردود الفعل نسبةً إلى إجمالي المشتركين.
- وصول المنشورات: يحصل كل منشور على متوسط 1 806 مشاهدة. وخلال اليوم الأول يجمع عادةً 958 مشاهدة.
- التفاعلات والاستجابة: يتفاعل الجمهور بانتظام؛ متوسط التفاعلات لكل منشور يبلغ 14.
- الاهتمامات الموضوعية: يركز المحتوى على مواضيع رئيسية مثل github, llm, openai, параметр, архитектура.
📝 الوصف وسياسة المحتوى
يصف المؤلف القناة بأنها مساحة للتعبير عن الآراء الذاتية:
“Все о машинном обучении
админ - @workakkk
@data_analysis_ml - анализ даннных
@ai_machinelearning_big_data - Machine learning
@itchannels_telegram -лучшие ит-каналы
@pythonl - Python
@pythonlbooks- python 📚
@datascienceiot - 📚
РКН: clck.ru/...”
بفضل وتيرة التحديث المرتفعة (أحدث البيانات بتاريخ 17 نوفمبر, 2026) تحافظ القناة على حداثتها ومستوى وصول مرتفع. وتُظهر التحليلات تفاعلاً نشطاً من الجمهور، ما يجعلها نقطة تأثير مهمة ضمن فئة التكنولوجيات والتطبيقات.
جارٍ تحميل البيانات
| التاريخ | نمو المشتركين | الإشارات | القنوات | |
| 17 نوفمبر | +2 | |||
| 16 نوفمبر | 0 | |||
| 15 نوفمبر | +1 | |||
| 14 نوفمبر | +7 | |||
| 13 نوفمبر | +4 | |||
| 12 نوفمبر | +3 | |||
| 11 نوفمبر | 0 | |||
| 10 نوفمبر | 0 | |||
| 09 نوفمبر | +2 | |||
| 08 نوفمبر | +5 | |||
| 07 نوفمبر | +1 | |||
| 06 نوفمبر | +4 | |||
| 05 نوفمبر | +5 | |||
| 04 نوفمبر | +6 | |||
| 03 نوفمبر | +3 | |||
| 02 نوفمبر | +4 | |||
| 01 نوفمبر | +2 |
| 2 | 🖥️ Черная пятница на Stepik на один из лучших курсов по контейнеризации!
Если давно хотел разобраться в теме, но постоянно откладывал или терялся среди десятков материалов, этот курс на Stepik поможет выстроить обучение последовательно.
Что получишь:
- Понятные объяснения без лишней воды.
- Практические задания для закрепления знаний.
- Возможность учиться в удобном темпе.
- Структурированный подход вместо хаотичного поиска информации.
Подойдёт тем, кто начинает с нуля или хочет систематизировать знания.
Начни прокачивать навыки уже сейчас:
https://stepik.org/course/303477/ | 816 |
| 3 | Российские исследователи нашли способы улучшить качество рекомендаций на 35%
Новые и непопулярные товары и контент сложнее рекомендовать: истории покупок по ним ещё нет, и алгоритму не за что зацепиться.
Исследователи Т-Банка предложили два подхода, которые помогают решить эту проблему. Результаты представили на конференции ACM CIKM в Риме — одной из ведущих в области поиска и обработки информации.
1. E2L3AE. Модель обучает текстовый энкодер и рекомендательную модель вместе, а не по отдельности, так что система лучше понимает, какие особенности товара важны. Тесты на офисных товарах показали, что полнота рекомендаций выросла на 20,3%, качество ранжирования – на 17,2% по сравнению с L3AE. Это полезно для цифровых сервисов, где у товаров и контента есть подробные описания, например, в небольших интернет-магазинах или на сайтах СМИ.
2. MoE-IGR. Архитектура представляет собой графовую модель, которая для каждого товара подбирает нейросети-экспертов и собирает их выводы с разными весами, заранее оценив характеристики товара. Архитектуру тестировали на фильмах, книгах и заведениях в четырёх сценариях, и лучше всего она показала себя на новинках: на данных MovieLens ранжирование поднялось на 34,5% по сравнению с PinSAGE.
Исследования: https://dl.acm.org/doi/10.1145/3799682.3839945
https://dl.acm.org/doi/10.1145/3799682.3839967 | 1 141 |
| 4 | لا يوجد نص... | 1 102 |
| 5 | GLM-5 обошла Gemini на бенчмарке после одной настройки агента
Исследователи из Northwestern и Google предложили Harness² — способ автоматически настраивать обвязку ИИ-агента под задачу. Веса модели остаются прежними. Меняются инструкции, инструменты, навыки и память, с которыми она работает.
Сначала агент выполняет задачу с базовыми настройками. Затем модель-редактор предлагает правки, а система заново запускает агента и сравнивает, как он справляется с той же задачей. Эталонные ответы для подбора правок не нужны. Наблюдения из пробных запусков сохраняются в библиотеке и помогают на следующих задачах.
На WorkBuddy-Bench один цикл настройки поднял средний балл GLM-5 в OpenCode с 64,2 до 75,7. Gemini 3.5 Flash с базовой конфигурацией OpenCode набрала 72,4. В отдельном эксперименте Gemini редактировала обвязку без пробных прогонов и накопленного опыта. Балл на задачах по программированию упал с 73,4 до 63,2.
Препринт на arXiv: https://arxiv.org/abs/2610.14224 | 2 239 |
| 6 | TSMC подтвердила утечку данных сотрудников. За архив просят 3 BTC
Персональные данные нынешних и бывших сотрудников TSMC появились в сети. В отчёте для SEC компания сообщила, что опубликованные сведения совпадают с записями у внешнего облачного провайдера. Признаков взлома собственных систем TSMC пока не обнаружила. По её данным, утечка не затронула производство и сведения о клиентах.
По данным Taiwan News, продавцы заявляют, что в архиве около 46 тысяч записей, и грозят выложить его бесплатно, если за неделю не найдётся покупатель. В опубликованном образце журналисты обнаружили номера удостоверений личности и банковские реквизиты. TSMC не подтвердила заявленный объём утечки.
Компания уведомляет пострадавших и выясняет источник утечки вместе с облачным провайдером, следователями и специалистами по кибербезопасности.
https://www.sec.gov/Archives/edgar/data/1046179/000104617926000800/a20261112statementregardin.htm | 1 521 |
| 7 | ЮКassa разыгрывает 2 000 000₽ на хакатоне по MCP
Разработчики и предприниматели, работающие с ИИ — это ваш выход. Покажите, как решаете задачи бизнеса с MCP ЮKassa, и получите шанс выиграть деньги. Призовой фонд — 2 000 000⠀₽.
Хакатон пройдёт 5-6 декабря онлайн. Участвуйте в одиночку или в команде до пяти человек и выбирайте один из двух треков:
— «Сделайте свой бизнес агентным». Интегрируйте MCP ЮKassa в существующий бизнес и создайте ИИ-агента, который самостоятельно выполняет коммерческую или платёжную задачу.
— «Создайте ИИ-решение для клиентов». Разработайте готового ИИ-агента, автоматизацию или интеграционное решение на базе MCP ЮKassa. Финальный продукт должен решать типовые задачи бизнеса и легко разворачиваться для других клиентов ЮKassa.
Регистрация открыта до 4 декабря — подайте заявку | 1 459 |
| 8 | لا يوجد نص... | 1 417 |
| 9 | 🔥 ИИ уже пишет код за вас. Научитесь управлять им, пока это не стало обязательным навыком разработчика.
Вайбкодинг позволяет собирать приложения, писать функции и автоматизировать разработку с помощью ИИ. Но кто проверит архитектуру, найдёт ошибки и убедится, что результат действительно готов к production?
Вы научитесь работать с ИИ-агентами, проектировать архитектуру, генерировать и проверять Python-код, тестировать приложения, проводить Code Review, находить уязвимости, работать с SQL и CI/CD.
* В курсе:**
🔥 49 уроков
🔥 210 тестов
🔥 53 практические задачи
🔥 9 модулей
🐦⬛ BLACK FRIDAY: скидка - 55% на курс!
Не просто генерируйте код. Научитесь создавать с ИИ полноценные работающие проекты.
👉 Забрать курс: https://stepik.org/course/296720/ | 1 |
| 10 | 🔥 Nex-N2.6: новая открытая ИИ-модель для автономных агентов обошла DeepSeek в тестах на работу с компьютером
Shanghai Innovation Institute представил мультимодальную агентную модель Nex-N2.6, которая работает с текстом, изображениями и видео.
Результаты тестирования:
- 83,0 балла OSWorld - тест на выполнение задач в компьютерном интерфейсе.
- 84,1 балла Terminal-Bench 2.1 - проверка работы в терминале.
- 100% корректного выбора инструментов в 956 проверенных сценариях, на уровне GPT-6 Sol.
- Повторение рассуждений сократилось с 16% до 1,6% по сравнению с Nex-N2.5-Pro.
- Общий показатель отсутствия повторов вырос с 91% до 97,8%.
Для сравнения, DeepSeek-V4.1-Flash набрала 71,7 на OSWorld и 82,7 на Terminal-Bench 2.1.
Модель ориентирована на длительные агентные задачи, программирование, управление интерфейсами и работу с инструментами без потери контекста.
Попробовать:
🐙 GitHub: https://github.com/sii-nex/Nex-N2
🤗 Hugging Face: https://huggingface.co/nex-agi/Nex-N2
API: https://openrouter.ai/nex-agi/nex-n2
*Цифры приведены по результатам тестирования разработчиков модели.* | 1 667 |
| 11 | 🤖 Многие уже работают с языковыми моделями, но относятся к ним как к черному ящику. Без понимания принципов трудно предсказать поведение модели и объяснить ее ошибки, а это первое, с чем сталкиваешься при внедрении.
📅 12.11 в 20:00 пройдет открытый урок «Что надо знать про работу LLM моделей». Для Python-разработчиков, DevOps-инженеров и аналитиков данных, которые начинают работать с LLM.
На уроке:
• разберем токены и контекст;
• поговорим об ограничениях моделей;
• обсудим, что учесть перед внедрением.
Приходите разобраться.
Запись: https://otus.pw/knFE/?erid=2W5zFJRE1Sr
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. | 1 007 |
| 12 | ИИ-агент OpenAI отправил 300 писем за несколько дней. В какой-то момент его пришлось отключить 🤯
Сооснователь Plato Роберт Фарлоу поручил OpenAI Dot организовать переезд своего офиса. Агент должен был самостоятельно связаться с перевозчиками, страховыми компаниями и управляющими зданиями.
Но автономность вышла из-под контроля.
За несколько дней Dot отправил около 300 электронных писем. Некоторым перевозчикам он писал по три-четыре раза, постоянно задавая новые вопросы.
Подрядчики начали жаловаться, что не успевают отвечать на сообщения агента. Переписка с новым управляющим здания оказалась настолько огромной, что тому пришлось создавать отдельную цепочку писем.
В итоге Фарлоу решил остановить агента.
История хорошо показывает одну из главных проблем современных AI-агентов: они могут самостоятельно выполнять задачи, но пока не всегда понимают, когда нужно остановиться, объединить вопросы или дождаться ответа.
300 писем вместо одного организованного рабочего процесса. Автономность без контроля легко превращается в автоматизированный хаос.
Источник: Business Insider. | 1 869 |
| 13 | Rust, который наконец становится понятным 🦀
Давно хочешь выучить Rust, но ownership, borrowing и lifetimes выглядят как отдельный вид боли?
Этот курс проведёт тебя с самого начала до уровня, где ты уже пишешь реальные системные и сетевые программы.
Ты разберёшь:
Ownership → Borrowing → ошибки → коллекции → Generics → Traits → модули → тесты → сетевой код
Никакого бесконечного чтения документации. После каждого урока ты сразу пишешь код, проходишь тесты и решаешь задачу с автопроверкой.
🔥 Rust с нуля
🔥 5–6 часов в неделю
🔥 Практика после каждого урока
🔥 Подойдёт после Python, JavaScript, Java и других языков
🔥 Можно начать сразу
В конце у тебя будет понимание Rust, с которым уже можно писать быстрые backend-сервисы, сетевые приложения и системные утилиты, а не смотреть на borrow checker как на врага.
Пора добавить Rust в свой стек. Начинай курс и пиши первый код уже сегодня: https://stepik.org/a/294885/ | 1 191 |
| 14 | لا يوجد نص... | 1 773 |
| 15 | Запускайте 10 ИИ-агентов параллельно и не ломайте Git-репозиторий
Worktrunk - инструмент для управления Git Worktrees, созданный специально для параллельной работы с ИИ-агентами вроде Claude Code и Codex.
Проблема знакома: запускаешь несколько агентов в одном проекте, они одновременно меняют файлы, конфликтуют между собой и мешают друг другу.
Worktrunk решает это через отдельные рабочие директории. Каждый агент получает собственную ветку и изолированную копию рабочего дерева. Изменения можно разрабатывать независимо, а затем объединять.
Несколько полезных возможностей:
wt switch -c feature-auth - создать новую ветку и рабочую директорию.
wt switch -c -x claude feature-a -- "Add authentication" - создать рабочую директорию и сразу запустить Claude Code с задачей.
wt list - посмотреть все рабочие деревья, изменения и состояние веток.
wt merge main - объединить изменения с основной веткой.
wt remove - удалить рабочую директорию и завершить работу с веткой.
Есть автоматические hooks для настройки окружения, отдельные порты для dev-серверов, общие build-кеши и интеграция с CI.
Особенно полезно для разработчиков, которые строят собственные мультиагентные системы и хотят запускать несколько задач одновременно, не создавая хаос в Git.
GitHub: https://github.com/max-sixty/worktrunk | 1 806 |
| 16 | Anthropic учит ИИ самостоятельно создавать научные модели
Anthropic опубликовала исследование о том, как ИИ-агенты начинают автоматизировать одну из самых сложных частей научной работы: построение математических моделей по экспериментальным данным.
Исследователи из ELLIS Institute Tübingen описали подход, при котором LLM самостоятельно предлагает уравнения, пишет код симуляции, сравнивает результаты с экспериментами и корректирует модель.
Процесс состоит из трёх этапов:
1. Построение модели. ИИ предлагает математические зависимости и проверяет разные гипотезы.
2. Подбор параметров. Нейросети обучаются на сотнях тысяч или миллионах симуляций. После обучения они могут оценивать параметры новых экспериментов за секунды.
3. Интерпретация. Система сравнивает несколько подходящих моделей, выявляет общие закономерности и помогает определить, какой эксперимент провести следующим.
В качестве примера авторы разбирают модель Ходжкина-Хаксли, описывающую электрическую активность нейронов. Сегодня ИИ потенциально способен воспроизвести подобную работу за часы вместо недель.
Но есть ограничение: современные агенты пока в основном заново открывают уже известные научные модели. Доказательств их эффективности на принципиально новых задачах недостаточно.
Следующий шаг, по мнению исследователей, заключается в том, чтобы ИИ не просто находил уравнение, совпадающее с данными, но и объяснял, почему оно работает и какие альтернативные гипотезы были отвергнуты.
Исследование: https://www.anthropic.com/research/teaching-ai-to-build-scientific-models | 1 752 |
| 17 | 🖥️ Черная пятница на Stepik на один из лучших курсов по контейнеризации!
Если давно хотел разобраться в теме, но постоянно откладывал или терялся среди десятков материалов, этот курс на Stepik поможет выстроить обучение последовательно.
Что получишь:
- Понятные объяснения без лишней воды.
- Практические задания для закрепления знаний.
- Возможность учиться в удобном темпе.
- Структурированный подход вместо хаотичного поиска информации.
Подойдёт тем, кто начинает с нуля или хочет систематизировать знания.
Начни прокачивать навыки уже сейчас:
https://stepik.org/course/303477/ | 1 377 |
| 18 | OpenAI проверила, способны ли ИИ-агенты заменить учёного в лабораторном анализе
OpenAI совместно с биотехнологической компанией Ligo представила BioBasicsBench, бенчмарк из 100 задач на основе реальных лабораторных экспериментов.
Модели должны анализировать снимки микроскопии, результаты секвенирования, фотографии образцов и показания приборов, находить ошибки экспериментов и понимать, когда данных недостаточно для выводов.
Результаты при максимальном общем уровне рассуждений xhigh:
GPT-6 Astra: 66,7%
GPT-6.1 Sol: 62,0%
GPT-5.6 Sol: 43,8%
Оценки показывают долю набранных баллов по критериям, а не процент полностью решённых задач.
Например, GPT-6 Astra смогла заметить неправильную маркировку антибиотика на лабораторной чашке, которую пропустила предыдущая модель.
Но ошибки остаются: Astra иногда неверно интерпретирует контрольные образцы и ошибается при подсчёте колоний бактерий.
Всего исследователи провели 18 500 тестовых запусков с разными моделями и настройками.
BioBasicsBench позволит отслеживать, насколько ИИ готов к повседневной работе биологов, а также оценивать последствия роста таких возможностей для биобезопасности.
Исследование: https://openai.com/index/measuring-how-ai-agents-handle-wet-lab-science/ | 1 735 |
| 19 | Обвал ИИ-акций продолжается | 1 879 |
| 20 | ИИ перевёл 7500 страниц высшей математики в 16 миллионов строк кода
Компания Axiom сообщила о формализации Stacks Project, одной из крупнейших энциклопедий по алгебраической геометрии, на языке Lean.
Масштаб впечатляет: около 7500 страниц математических определений, лемм и теорем превратились примерно в 16 миллионов строк кода, пригодного для машинной проверки.
Особенность проекта в том, что математические утверждения связаны между собой. Можно проследить зависимости теорем, изучить их доказательства и использовать готовые результаты для новых исследований.
Axiom даже представила библиотеку как интерактивный «математический город» с картой теорем и графами зависимостей.
Неделей ранее, 26 октября, компания объявила о формализации классификации конечных простых групп. На эту работу ушло 43,1 млн строк Lean, созданных при участии десятков ИИ-агентов за 24 дня.
В перспективе такие библиотеки позволят ИИ-агентам строить новые доказательства на базе уже проверенных математических результатов, а Lean сможет проверять их логическую корректность. | 2 420 |
