ch
Feedback
Data Science | Machinelearning [ru]

Data Science | Machinelearning [ru]

前往频道在 Telegram

Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD

显示更多

📈 Telegram 频道 Data Science | Machinelearning [ru] 的分析概览

频道 Data Science | Machinelearning [ru] (@devsp) 俄语 语言赛道中的 是活跃参与者。目前社区聚集了 20 019 名订阅者,在 技术与应用 类别中位列第 6 722,并在 俄罗斯 地区排名第 33 728

📊 受众指标与增长动态

невідомо 创建以来,项目保持高速增长,吸引了 20 019 名订阅者。

根据 19 六月, 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 -73,过去 24 小时变化为 -9,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 8.09%。内容发布后 24 小时内通常能获得 3.89% 的反应,占订阅者总量。
  • 帖子覆盖: 每篇帖子平均可获得 1 619 次浏览,首日通常累积 779 次浏览。
  • 互动与反馈: 受众积极参与,单帖平均反应数为 8
  • 主题关注点: 内容集中在 llm, nvidia, контекст, openai, архитектура 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:
Все о Data Science, машинном обучении и искусственном интеллекте: от базовой теории до cutting-edge исследований и LLM. Личный блог автора - @just_genych По вопросам рекламы или разработки - @g_abashkin РКН: https://vk.cc/cJPGXD

凭借高频更新(最新数据采集于 20 六月, 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。

20 019
订阅者
-924 小时
-557
-7330
帖子存档
​​😍Автоматизация Code Review с помощью LLM В этой статье мы подробно рассмотрим жизненный цикл ревью и подход RAG, разработанный в Faire для выполнения различных контекстно-специфических автоматизированных ревью. Читать...

​​⚡️Хайп вокруг аппаратного ускорения ИИ и реальная ситуация. Обучение модели на телефоне и результаты в миллисекундах В этой статье мы запустим TensorFlow Lite на устройствах разного класса и года выпуска и посмотрим, что там с производительностью и ускорением. Читать...

​​⚙️Как котята лапками настраивают GPU в Kubernetes и при чем тут эффект Манделы В этой статье мы рассмотрим волшебный инструмент, который позволяет это делать без костылей и велосипедов, если у вас лапки. Читать...

🗣Яндекс анонсировал Practical ML Conf, которая пройдет 14 сентября и будет доступна для просмотра онлайн Это мероприятие, на котором Яндекс ежегодно анонсирует свои крупные запуски и делится опытом. Все подробности и регистрация тут @DevspПодписаться

​​👾Создание искусственного датасета для обучения модели с использованием Paddle OCR В этой статье мы подробно расскажем, как именно подошли к этому процессу. Читать...

​​😍Топ-7 высокооплачиваемых профессий в сфере ИИ В этой статье мы разберёмся, что ждёт работодателей и соискателей в ближайшем будущем и каким специалистам в сфере ИИ, или AI, готовы платить больше всего. Читать...

МТС Web Services запустила два новых кластера виртуальной инфраструктуры с графическими ускорителями, тем самым увеличив собственные GPU-мощности для обучения искусственного интеллекта на 40%. До конца года эта цифра увеличится еще в 3-4 раза. Запуск новых сегментов позволит большему числу предприятий упростить и ускорить обучение и инференс собственных AI- и ML-моделей, за счет размещения их в облаке MWS. Инфраструктура подойдет для работы с любыми AI-моделями во всех отраслях экономики. А получить доступ к ней можно из любой точки страны.     Также до конца года на базе GPU-инфраструктуры будут развернуты: платформа для разработки, обучения и развертывания ML-моделей, уже готовые модели ИИ для разных индустрий и направлений, доступные по API и AI-сервисы по модели SaaS. @DevspПодписаться

​​🗣Dolphin: длинный контекст как новая модальность для энергоэффективных языковых моделей на устройстве Подход решает проблемы значительного потребления энергии и задержек, присущие моделям на устройстве. Dolphin использует компактный декодер параметров 0,5B для извлечения обширной контекстной информации во встраивание памяти, существенно сокращая длину входных данных для первичной модели декодера параметров 7B. Этот инновационный метод позволяет обрабатывать существенно более длинные контексты без типичных вычислительных затрат, связанных с расширенными последовательностями входных данных. Эмпирические оценки демонстрируют 10-кратное улучшение энергоэффективности и 5-кратное сокращение задержек по сравнению с обычными методами обработки полноразмерного контекста без потери качества ответа. 🤗 Hugging Face 💾 Arxiv 📂 PDF @DevspПодписаться

​​👾Как мы обучали нейросеть распознавать юридические документы В этой статье мы рассмотрим разработку нейронной сети для анализа и верификации юридических документов, в частности, нормативных правовых актов. Читать...

​​🗣Гайд по работе языковых моделей для начинающих В этой статье вы узнаете о том, как устроены самые популярные языковые модели и что нужно знать, чтобы начать с ними работать. Читать...

Как тренировать нейросети быстрее, ускорить машинное обучение и визуализацию данных? Серверы с GPU ускоряют вычисления, проведение ML-экспериментов и анализа больших данных, а еще легко справляются с классификацией изображений и распознаванием речи. Необязательно иметь собственный сервер, можно арендовать GPU в облаке в Selectel. В 2024 году облако Selectel вошло в топ-3 лучших российских провайдеров рейтинга GPU Cloud, по версии CNews. Преимущества аренды облачного сервера с GPU в Selectel: - Гибкие конфигурации. Возможность выбрать сервер как готовой, так и произвольной конфигурации с нужной видеокартой. Мгновенное масштабирование под растущие нагрузки. - Большой выбор карт в наличии : А2, А30, A100, A2000, A5000, Tesla T4, GTX1080 и RTX 2080. - Оплата за фактически использованные ресурсы от 29 ₽/час - Безопасность хранения и обработки данных. Облачные серверы соответствуют 152-ФЗ (УЗ-1), есть сертификаты PCI DSS, а также ISO 27001, 27017, 27018 и другие Арендуйте серверы с GPU с почасовой оплатой: https://slc.tl/dscnh Реклама АО «Селектел». ИНН: 7810962785 Erid: 2VtzqvqmQ7X

​​🔥K-Sort Arena: Efficient and Reliable Benchmarking for Generative Models via K-wise Human Preferences Эффективная и надежная платформа, основанная на ключевом понимании: изображения и видео обладают более высокой интуитивностью восприятия, чем тексты, что позволяет быстро оценивать несколько образцов одновременно. K-Sort Arena использует сравнения K-wise, позволяя моделям K участвовать в соревнованиях «все против всех», которые дают гораздо более богатую информацию, чем парные сравнения. Для повышения надежности системы мы используем вероятностное моделирование и байесовские методы обновления. Благодаря своей высокой эффективности K-Sort Arena может непрерывно включать новые модели и обновлять таблицу лидеров с минимальным количеством голосов. 🤗 Hugging Face 💾 Arxiv 📂 PDF @DevspПодписаться

​​⛅️Встречаем OmniCast — технологию, которая повысит точность прогноза температуры с помощью пользовательских метеостанций В этой статье мы расскажем о том, как при помощи фильтра Калмана и комбинации двунаправленной и однонаправленной LSTM-нейросетей нам удалось улучшить качество прогноза температуры. Читать...

​​🤗CustomCrafter: индивидуальная генерация видео с сохранением движения и возможностей концептуальной композиции Новую структуру, которая сохраняет способность модели генерировать движение и концептуальные комбинированные способности без дополнительного видео и тонкой настройки для восстановления. Для сохранения концептуальной комбинированной способности мы разрабатываем модуль plug-and-play для обновления нескольких параметров в VDM, улучшая способность модели захватывать детали внешнего вида и способность концептуальных комбинирований для новых субъектов. Используя подключаемость наших модулей обучения объекта, мы уменьшаем влияние этого модуля на генерацию движения на ранней стадии шумоподавления, сохраняя возможность генерировать движение VDM. На более поздней стадии шумоподавления мы восстанавливаем этот модуль, чтобы восстановить детали внешнего вида указанного объекта, тем самым обеспечивая точность внешнего вида объекта. 🤗 Hugging Face 💾 Arxiv 📂 PDF @DevspПодписаться

​​🧐Долой рандом, или ищем лучшие настройки для аугментации текстов Расскажу о том, как мы оптимизировали параметры аугментаций для текстовых данных и что из этого получилось. Читать...

​​🤖Нейросети для написания текстов: обзор и сравнение моделей В этой статье мы рассмотрим работу различных ИИ-моделей на примере четырех нестандартных промтов, анализируя их сильные стороны, слабости и потенциал для дальнейшего развития. Читать...

​​👀Sapiens: Foundation for Human Vision Models Семейство моделей для четырех основных задач, связанных с зрением человека: оценка позы в 2D, сегментация частей тела, оценка глубины и прогнозирование нормалей поверхности. Модели изначально поддерживают вывод высокого разрешения 1K и чрезвычайно легко адаптируются для отдельных задач путем простой тонкой настройки моделей, предварительно обученных на более чем 300 миллионах изображений человека в дикой природе. Простая конструкция модели также обеспечивает масштабируемость — производительность модели для разных задач улучшается по мере того, как мы масштабируем количество параметров с 0,3 до 2 миллиардов. Sapiens постоянно превосходит существующие базовые показатели по различным бенчмаркам, связанным с зрением человека. 🤗 Hugging Face 💾 Arxiv 📂 PDF @DevspПодписаться