Machinelearning

Open in 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

Network:Machinelearning Russia1 281 Technologies & Applications326...

📈 Analytical overview of Telegram channel Machinelearning

Channel Machinelearning (@ai_machinelearning_big_data) in the Russian language segment is an active participant. Currently, the community unites 293 457 subscribers, ranking 326 in the Technologies & Applications category and 1 281 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 293 457 subscribers.

According to the latest data from 02 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -6 464 over the last 30 days and by -249 over the last 24 hours, overall reach remains high.

Verification status: Not verified
Engagement rate (ER): The average audience engagement rate is 7.49%. Within the first 24 hours after publication, content typically collects 5.71% reactions from the total number of subscribers.
Post reach: On average, each post receives 21 989 views. Within the first day, a publication typically gains 16 765 views.
Reactions and interaction: The audience actively supports content: the average number of reactions per post is 173.
Thematic interests: Content is focused on key topics such as openai, claude, api, gemini, контекст.

📝 Description and content policy

The author describes the resource as a platform for expressing subjective opinions:
“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”

Thanks to the high frequency of updates (latest data received on 03 July, 2026), the channel maintains relevance and a high level of publication reach. Analytics show that the audience actively interacts with content, making it an important point of influence in the Technologies & Applications category.

293 457

Subscribers

-24924 hours

-1 5267 days

-6 46430 days

21 989

Post views

~ 16 76524 hours

~ 18 67648 hours

7.49%

Engagement rate

~ 6

Posts per day

Ads index

beta

Posts Archive

293 419

Real-Time Face Mask Detector with Python, OpenCV, Keras https://data-flair.training/blogs/face-mask-detection-with-python/ Dataset: https://data-flair.training/blogs/download-face-mask-data/ Code: https://data-flair.training/blogs/download-face-mask-detector-project-source-code/ @ai_machinelearning_big_data

293 419

Accelerating 3D Deep Learning with PyTorch3D PyTorch3D provides efficient, reusable components for 3D Computer Vision research with PyTorch. Code: https://github.com/facebookresearch/pytorch3d Paper: https://arxiv.org/abs/2007.08501v1 Mesh R-CNN: https://github.com/facebookresearch/meshrcnn @ai_machinelearning_big_data

293 419

Real Time Object Measurement Object measurement using OpenCV and Python. We will use an A4 paper as our guide and find the width and height of objects. https://www.murtazahassan.com/real-time-object-measurement/

293 419

⚡️23 июля в 20:00 состоится демо-урок «Логистическая регрессия для классификации данных». За 1,5 часа вы: ● Обсудите основы регрессионных моделей ● Узнаете, как устроена логистическая регрессия ● Разберёте, какие разделы математики используются для ее построения ● Поймёте, как улучшить этот классификатор. Занятие является частью курса «Математика для Data Science. Продвинутый уровень». Приходите получить полезные знания, познакомиться с преподавателем и оценить формат обучения. 👉Для регистрации пройдите вступительный тест, который поможет сориентироваться в уровне вашей подготовки: https://otus.pw/3Cnd/

293 419

Indoor SfMLearner The unsupervised depth estimation task in indoor environments. Github: https://github.com/svip-lab/Indoor-SfMLearner Paper: https://arxiv.org/abs/2007.07696v1

293 419

Крутой Data-scientist, Python-разработчик или аналитик? 😎 DigitalSuperHero ждет вас! Регистрируйтесь на онлайн-хакатон по Кибербезопасности и FinTech. Fintech & Security Superhero пройдет 1–8 августа. Призовой фонд: 700 000 рублей! 🏆Победители получат денежный приз, возможность пилотирования проекта, поддержку от iHub, оффер на работу и попадут на Всероссийский финальный хакатон, который пройдет в сентябре. На хакатоне Fintech & Security Superhero вы сможете посоперничать с другими командами в двух видах задач:: ● Автоматизировать ежедневные рутинные операции эксперта по кибербезопасности ● Создать новые сервисы для банка. Подавайте заявку до 27 июля тут: dshkazan.ru/its P.S. А еще у нас есть телеграм-канал, где выкладываем свежие новости о хакатонах: https://t.me/dshkzn

293 419

Fast and Accurate Neural CRF Constituency Parsing To improve the parsing performance,hee introduced a new scoring architecture based on boundary representation and biaffine attention, and a beneficial dropout strategy. Github: https://github.com/yzhangcs/parser Paper: https://www.ijcai.org/Proceedings/2020/560

293 419

PyTorch LSTM: Text Generation Tutoria https://www.kdnuggets.com/2020/07/pytorch-lstm-text-generation-tutorial.html

293 419

Всем привет! Приходите в эту пятницу (17 июля) на онлайн-митап PRO_DS. На митапе Петр Ермаков (Datagym) расскажет как быстро построить дашборд из Jupyter notebook-а, Валентин Малых из Huawei расскажет про проект по анализу естественного языка Russian GLUE, а Ильдар Сафило из МТС расскажет про A/B тестирование на малых выборках. Регистрация через онлайн-чат в телеграме - https://t.me/joinchat/GBqmrko6rAOuyq_gI-hrpg

293 419

Using machine learning in the browser to lip sync to your favorite songs https://blog.tensorflow.org/2020/07/using-machine-learning-in-browser-to-lip-sync.html MediaPipe Face Mesh: https://google.github.io/mediapipe/solutions/face_mesh.html Github: https://github.com/google/mediapipe

293 419

Google at ICML 2020 https://ai.googleblog.com/2020/07/google-at-icml-2020.html

293 419

Free MIT Courses and book on Calculus: The Key to Understanding Deep Learning Course: https://ocw.mit.edu/resources/res-18-005-highlights-of-calculus-spring-2010/ @ai_machinelearning_big_data

293 419

Auto-Sklearn 2.0: The Next Generation auto-sklearn is an automated machine learning toolkit and a drop-in replacement for a scikit-learn estimator. Github: https://github.com/automl/auto-sklearn Paper: https://arxiv.org/pdf/2007.04074.pdf

293 419

TensorFlow 2 meets the Object Detection API https://blog.tensorflow.org/2020/07/tensorflow-2-meets-object-detection-api.html

293 419

YOLOv5 YOLOv5 improves accessibility for realtime object detection. https://blog.roboflow.ai/yolov5-is-here/ Tutorial: https://blog.roboflow.ai/how-to-train-yolov5-on-a-custom-dataset/ Github: https://github.com/ultralytics/yolov5 Colab : https://colab.research.google.com/drive/1gDZ2xcTOgR39tGGs-EZ6i3RTs16wmzZQ Video: https://www.youtube.com/watch?v=MdF6x6ZmLAY&feature=youtu.be

293 419

EagleEye: Fast Sub-net Evaluation for Efficient Neural Network Pruning EagleEye achieves better pruning performance than all of the studied pruning algorithms in our experiments. Github: https://github.com/anonymous47823493/EagleEye Paper: https://arxiv.org/abs/2007.02491v1

293 419

4 Automatic Outlier Detection Algorithms in Python https://machinelearningmastery.com/model-based-outlier-detection-and-removal-in-python/ @ai_machinelearning_big_data

293 419

Deep Single Image Manipulation http://www.vision.huji.ac.il/deepsim/ Code: https://github.com/eliahuhorwitz/DeepSIM Paper: https://arxiv.org/abs/2007.01289

293 419

Text Classification with PyTorch A baseline model with LSTMs Article: https://medium.com/@fer.neutron/text-classification-with-pytorch-7111dae111a6 Code: https://github.com/FernandoLpz/Text-Classification-LSTMs-PyTorch @ai_machinelearning_big_data

293 419

PyTorch Multi-GPU Metrics Library and More in New PyTorch Lightning Release https://www.kdnuggets.com/2020/07/pytorch-multi-gpu-metrics-library-pytorch-lightning.html