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
网络:📈 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 276 963 名订阅者，在 技术与应用 类别中位列第 334，并在 俄罗斯 地区排名第 1 378 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 276 963 名订阅者。
根据 30 十月, 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 -1 631，过去 24 小时变化为 -101，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 8.29%。内容发布后 24 小时内通常能获得 6.17% 的反应，占订阅者总量。
- 帖子覆盖： 每篇帖子平均可获得 22 965 次浏览，首日通常累积 17 086 次浏览。
- 互动与反馈： 受众积极参与，单帖平均反应数为 362。
- 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 31 十月, 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。
276 963
订阅者
-10124 小时
-5977 天
-1 63130 天
帖子存档
276 879
🔎 Датасет для анализа русскоязычных отзывов на организации
Яндекс опубликовал крупнейший русскоязычный датасет, в котором содержится 500 тысяч отзывов, собранных с января по июнь 2023 года. Туда входят адреса и названия организаций, список рубрик, оценки пользователей и отзывы. Датасет позволяет, к примеру, производить сентимент-анализ и лингвистический анализ.
Github: https://github.com/yandex/geo-reviews-dataset-2023
Habr: https://habr.com/ru/companies/yandex/articles/763832/
276 879
🔎 Text-to-3D using Gaussian Splatting
Новый подход к созданию высококачественных
3D-объектов - генерация текста в трехмерном пространстве на основе гауссова расслоения (GSGEN).
🎇 GSGEN: Text-to-3D using Gaussian Splatting
🖥 Github: https://github.com/gsgen3d/gsgen
☑️ Project: https://gsgen3d.github.io/
📕 Paper: https://arxiv.org/abs/2309.16585v1
⭐️ Dataset: https://paperswithcode.com/dataset/nerf
ai_machinelearning_big_data276 879
Опрос для опытных ИТ-специалистов.
Поделитесь мнением об ИТ-работодателях. Напишите, что вам нравится, а что — нет. Так компании смогут исправить ошибки, улучшить условия и присылать офферы, на которые хочется соглашаться.
Посмотрите, это займет не больше 10 минут
276 879
✏️ Deep Geometrized Cartoon Line Inbetweening
Method can effectively capture the sparsity and unique structure of line drawings while preserving the details during inbetweening.
Создание промежуточных кадров между двумя рисунками - трудоемкий и дорогостоящий процесс, новый фреймворк AnimeInbet позволяет автоматизировать эту задачу.
AnimeInbet, геометризирует растровые линейные рисунки в графы конечных точек, решая задачу слияния графов с перестановкой вершин.
🖥 Github: https://github.com/lisiyao21/animeinbet
☑️ Demo: https://youtu.be/iUF-LsqFKpI?si=9FViAZUyFdSfZzS5
📕 Paper: https://arxiv.org/pdf/2309.16643v1.pdf
⭐️ Dataset: https://drive.google.com/file/d/1SNRGajIECxNwRp6ZJ0IlY7AEl2mRm2DR/view?usp=sharing
ai_machinelearning_big_data
276 879
🤖 Machine Learning Tutorials Repository
Добро пожаловать в репозиторий учебников по машинному обучению. Примеры кода и поянения по:
1.🖥 Python
2.👁🗨 Computer Vision: Techniques, algorithms
3.🖋 NLP
4.📊 Matplotlib
5.🔢 NumPy
6.🐼 Pandas
7.🎇 MLOps
8.🧠 LLMs
9.🔥 PyTorch/TensorFlow
git clone https://github.com/patchy631/machine-learning
ai_machinelearning_big_data276 879
📚 С помощью Telegram-бота GigaChat можно искать IT-курсы
Сервис Сбера в ответ на запрос о курсах предлагает не только названия ресурсов, где их можно найти, но и ссылки. К примеру, на запрос о поиске курсов по kubernetes нейросеть предложила пять популярных сайтов.
@gigachat_bot также умеет писать тексты и генерировать картинки, создавать инструкции и отвечать на вопросы. Кроме того, бота можно добавлять в групповые чаты и пользоваться совместно.
Попробовать GigaChat можно, перейдя по ссылке.
ai_machinelearning_big_data
276 879
🔊 Listen, Think, and Understand
AI model that has both audio perception and a reasoning ability.
LTU-AS - модель универсального восприятия звука , которая способна к рассуждению. В частности, благодаря интеграции Whisper в качестве модуля восприятия и LLaMA в качестве модуля рассуждений, LTU-AS может одновременно распознавать и совместно понимать устный текст, паралингвистику, практически все, что можно воспринять из аудиосигналов.
🖥 Github: https://github.com/YuanGongND/ltu
☑️ Demo: https://18c618fc8f07ec494e.gradio.live/
📕 Paper: https://arxiv.org/abs/2309.14405v1
🤗 HH: https://huggingface.co/spaces/yuangongfdu/ltu-2
⭐️ Dataset: https://paperswithcode.com/dataset/iemocap
ai_machinelearning_big_data
276 879
+1➕ fastMONAI: A low-code deep learning library for medical image analysis
Simplifying deep learning for medical imaging.
fastMONAI упрощает использование современных методов глубокого обучения в анализе трехмерных медицинских изображений для решения задач классификации, регрессии и сегментации. fastMONAI предоставляет пользователям функциональные возможности для поэтапной загрузки данных, предварительной обработки, обучения и интерпретации результатов.
git clone https://github.com/MMIV-ML/fastMONAI
🖥 Github: https://github.com/MMIV-ML/fastMONAI
Project: https://fastmonai.no
📕 Paper: https://www.sciencedirect.com/science/article/pii/S2665963823001203
🖥 Colab: https://colab.research.google.com/github/MMIV-ML/fastMONAI/blob/master/nbs/10a_tutorial_classification.ipynb
ai_machinelearning_big_data276 879
VK Data Meetup — митап об инструментах и людях, которые умеют работать с данными
⏰ Когда: 12 октября, 14:00 по Москве
📍 Регистрация
VK Data Meetup — это серия событий о практиках работы с данными на разных уровнях.
Митап 12 октября посвящен работе с большими данными и ML. Обсудим:
• Тренды работы с данными;
• Процессы взаимодействия со смежными подразделениями и внутри дата-команд;
• Новые инструменты, такие как Spark on Kubernetes и No Code AutoML-платформы;
• Кейсы решения практических бизнес-задач от ведущих российских компаний.
Митап будет интересен дата- и ML-инженерам, тимлидам и разработчикам платформ данных, архитекторам и специалистам по Data Science.
Присоединяйтесь к сообществу VK Data Meetup, чтобы узнать про работающие практики и поделиться своим опытом.
Зарегистрироваться
276 879
+3⭐️Scenimefy: Learning to Craft Anime Scene via Semi-Supervised Image-to-Image Translation
Фреймворк для автоматической высококачественной генерации аниме-сцен из изображений реального мира.
git clone https://github.com/Yuxinn-J/Scenimefy.git
🖥 Github: https://github.com/Yuxinn-J/Scenimefy/tree/main
☑️ Demo: https://huggingface.co/spaces/YuxinJ/Scenimefy
📕 Paper: https://arxiv.org/abs/2308.12968
⏩Project: https://yuxinn-j.github.io/projects/Scenimefy.html
⭐️ Dataset: https://github.com/Yuxinn-J/Scenimefy/tree/main#open_file_folder-anime-scene-dataset
ai_machinelearning_big_data276 879
⭐️ CMU Advanced NLP
Advanced NLP from Carnegie Mellon University.
The course covers current state-of-the-art NLP techniques & algorithms.
Курс: Продвинутый NLP от Университета Карнеги-Меллон.
Курс охватывает современные техники и алгоритмы NLP.
Один из лучших курсов по НЛП в Интернете!
📌 Лекции
ai_machinelearning_big_data
276 879
Сбер расширяет географию своих ивентов: 6 октября в Тбилиси состоится первый технологический митап, посвящённый разработке рекомендательных систем 👨💻
На RecSys MeetUp вы познакомитесь с экспертами Сбера, станете частью одного из крупнейших IT-комьюнити и узнаете о:
✔️ Технологических трендах в области искусственного интеллекта и машинного обучения.
✔️ Устройстве современных стримингов компаний-партнёров Сбера.
Гарантируем: будет интересно и безумно полезно каждому DS-специалисту. Регистрируйтесь по ссылке, встречаемся 6 октября в 18:30 по адресу: Тбилиси, Ресторан на 6 этаже отеля «Golden Palace», переулок Агмашенебели 62 💚
276 879
+1🎓 BayesDLL: Bayesian Deep Learning Library
New Bayesian neural network library for PyTorch for large-scale deep network
Новая библиотека байесовских нейронных сетей для PyTorch, предназначенную для работы с крупномасштабными глубокими сетями.
В библиотеке реализованы основные алгоритмы приближенного байесовского вывода: вариационный вывод, MC-dropout, стохастически-градиентный MCMC и аппроксимация Лапласа.
Основные отличия от других существующих библиотек байесовских нейронных сетей заключаются в следующем:
1) библиотека может работать с очень крупными моделями, в том числе с Vision Transformers
2) Практически не требует от пользователей модификации кода .
3)Позволяет использовать предварительно обученные веса модели в качестве средних значений, что полезно для проведения байесовских вычислений в крупномасштабных моделях типа ViTs, которые трудно оптимизировать с нуля на основе одних только исходных данных.
🖥 Github: https://github.com/samsunglabs/bayesdll
📕 Paper: https://arxiv.org/abs/2309.12928v1
⭐️ Dataset: https://paperswithcode.com/dataset/oxford-102-flower
ai_machinelearning_big_data
276 879
❗️ Как устроены методы коллаборативной фильтрации для рекомендательных систем?
👉 Изучаем SVD алгоритм на открытом уроке 25 сентября в 17:30 мск — «Методы коллаборативной фильтрации для рекомендательных систем: изучаем SVD алгоритм»
🔹 На занятии мы обсудим один из самых мощных алгоритмов области рексис, основанный на сингулярном разложении матрицы (SVD)
📌 Результаты урока:
Вы примените на практике подход на основе SVD разложения матрицы для построения рекомендательной системы
👉 РЕГИСТРАЦИЯ
https://otus.pw/efun/
Реклама. ООО «Отус онлайн-образование», ОГРН 1177746618576, www.otus.ru. Вебинар пройдет в преддверии старта онлайн-курса «Machine Learning. Advanced» от OTUS.
Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963. erid: LjN8JvLoA
276 879
+1🔎Detect Every Thing with Few Examples
DE-ViT surpasses the few-shot SoTA by 15 mAP on 10-shot and 7.2 mAP on 30-shot and one-shot SoTA by 2.8 AP50.
Высокоточный детектор объектов, который в отличие от популярного подхода с открытым словарем, описывает каждую категорию объектов не языком, а несколькими опорными изображениями. DE-ViT демонстрирует новые достижения в области обнаружения объектов с открытым словарем, несколькими снимками и одним снимком в сравнении с COCO и LVIS .
git clone https://github.com/mlzxy/devit.git
🖥 Github: https://github.com/mlzxy/devit
📕 Paper: https://arxiv.org/abs/2309.12969v1
⭐️ Dataset: https://paperswithcode.com/dataset/mscoco
ai_machinelearning_big_data
276 879
Команда AGIMA приглашает вас на онлайн-митап «Чат-боты и языковые модели: автоматизируй, нанимай, упрощай, формализируй». Он пройдет 28 сентября.
Эксперты из СДЭК, Маруся ВК, РЖД и AGIMA.AI расскажут:
какие функции есть у чат-ботов и как они упрощают обслуживание клиентов;
как создать голосового помощника и внедрить его в бизнес-процессы;
зачем и как внедрять корпоративные боты;
как быстро внедрить умные чат-боты на основе GPT.
Участие бесплатное, регистрация — по ссылке выше.
Реклама. ООО "АГИМА ПРОДАКШН". ИНН 7707398117. erid: LjN8KMmqi
276 879
+1🗣 Leveraging In-the-Wild Data for Effective Self-Supervised Pretraining in Speaker Recognition
Продвинутый инструментарий и набор данных для задач распознавания говорящего.
pip3 install wespeakerruntime
🖥 Github: https://github.com/wenet-e2e/wespeaker
📕 Paper: https://arxiv.org/abs/2309.11730v1
⏩ Demo: https://huggingface.co/spaces/wenet/wespeaker_demo
⭐️ Dataset: https://paperswithcode.com/dataset/wenetspeech
ai_machinelearning_big_data
276 879
⚡️TokenFlow: Consistent Diffusion Features for Consistent Video Editing
Framework that harnesses the power of a text-to-image diffusion model for the task of text-driven video editing.
TokenFlow - это фреймворк, позволяющий последовательно редактировать видео, используя предварительно обученную модель диффузии текста в изображение, без дополнительного обучения и настройки.
Нейросеть генерирует анимации высокого качества, сохраняя расположение и динамику из исходого ролика.
🖥 Github: https://github.com/omerbt/TokenFlow
🤗HF: https://huggingface.co/spaces/weizmannscience/tokenflow
📕 Paper: https://arxiv.org/abs/2307.10373
⏩ Project: https://diffusion-tokenflow.github.io/
276 879
🚀 Gold-YOLO: Efficient Object Detector via Gather-and-Distribute Mechanism
Gold-YOLO, which boosts the multi-scale feature fusion capabilities and achieves an ideal balance between latency and accuracy across all model scales.
Модель Gold-YOLO-N достигает выдающегося результата в обнаружении объектов и превосходит предыдущую модель SOTA YOLOv6-3.0-N с аналогичным FPS.
🖥 Github: https://github.com/huawei-noah/Efficient-Computing/tree/master/Detection/Gold-YOLO
📕 Paper: https://arxiv.org/abs/2309.11331v2
⏩ Dataset: https://paperswithcode.com/dataset/coco
ai_machinelearning_big_data?boost - boost to see premium content
276 879
Click If you want see ML stories
КЛикните, если вы хотите увидеть истории ML от нашего канала
https://t.me/ai_machinelearning_big_data?boost
