Machinelearning
前往频道在 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
显示更多📈 Telegram 频道 Machinelearning 的分析概览
频道 Machinelearning (@ai_machinelearning_big_data) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 291 898 名订阅者，在 技术与应用 类别中位列第 327，并在 俄罗斯 地区排名第 1 297 位。
📊 受众指标与增长动态
自 невідомо 创建以来，项目保持高速增长，吸引了 291 898 名订阅者。
根据 11 七月, 2026 的最新数据，频道保持稳定运转。过去 30 天订阅人数变化为 -6 089，过去 24 小时变化为 -172，整体触达仍然可观。
- 认证状态： 未认证
- 互动率 (ER)： 平均受众互动率为 7.14%。内容发布后 24 小时内通常能获得 5.61% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 20 847 次浏览，首日通常累积 16 386 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 153。
- 主题关注点： 内容集中在 openai, claude, api, gemini, контекст 等核心主题上。
📝 描述与内容策略
作者将该频道定位为表达主观观点的平台：
“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”
凭借高频更新（最新数据采集于 12 七月, 2026），频道始终保持新鲜度与高覆盖。分析显示受众积极互动，使其成为 技术与应用 类别中的关键影响点。
291 898
订阅者
-17224 小时
-1 2407 天
-6 08930 天
帖子存档
291 896
Интересное в мире DS/ML (в этот раз негусто):
- Andrew Ng открыл новый курс на Курсере про Deep Learning - ссылка выше (было)
- Facebook полностью перешел на нейросети для перевода - https://goo.gl/VhjA9H
- Pytorch v0.2 - https://goo.gl/99QpB3 - может кому-то актуально
- Люди из Salesforce тренируют LTSM сети для перевода с одного языка на другой, берут получившийся декодер (часть сети) и используют его чтобы скормить его выход другим нейросетям, которые делают более простые вещи - https://goo.gl/6Kt77o
#data_science
291 896
Focal Loss for Dense Object Detection
Tsung-Yi Lin, Priya Goyal, Ross Girshick, Kaiming He, Piotr Dollár
The highest accuracy object detectors to date are based on a two-stage approach popularized by R-CNN, where a classifier is applied to a sparse set of candidate object locations. In contrast, one-stage detectors that are applied over a regular, dense sampling of possible object locations have the potential to be faster and simpler, but have trailed the accuracy of two-stage detectors thus far. In this paper, we investigate why this is the case. We discover that the extreme foreground-background class imbalance encountered during training of dense detectors is the central cause. We propose to address this class imbalance by reshaping the standard cross entropy loss such that it down-weights the loss assigned to well-classified examples. Our novel Focal Loss focuses training on a sparse set of hard examples and prevents the vast number of easy negatives from overwhelming the detector during training. To evaluate the effectiveness of our loss, we design and train a simple dense detector we call RetinaNet. Our results show that when trained with the focal loss, RetinaNet is able to match the speed of previous one-stage detectors while surpassing the accuracy of all existing state-of-the-art two-stage detectors.
https://arxiv.org/abs/1708.02002
#deeplearning #paper
291 896
В ИТМО через 10 дней пройдет летняя школа машинного обучения ЦРТ. Учеба бесплатная, организаторы оплачивают билеты и проживание 20 участникам. http://algorythm.tech/
291 896
Занятная статья - мысли профессора финансов про биткоины (несовместимые вещи) =)
- https://goo.gl/DkgWfH
#internet
