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 277 Technologies & Applications332...

📈 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 294 933 subscribers, ranking 332 in the Technologies & Applications category and 1 277 in the Russia region.

📊 Audience metrics and dynamics

Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 294 933 subscribers.

According to the latest data from 26 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -6 463 over the last 30 days and by -216 over the last 24 hours, overall reach remains high.

Verification status: Not verified
Engagement rate (ER): The average audience engagement rate is 7.82%. Within the first 24 hours after publication, content typically collects 5.40% reactions from the total number of subscribers.
Post reach: On average, each post receives 23 058 views. Within the first day, a publication typically gains 15 914 views.
Reactions and interaction: The audience actively supports content: the average number of reactions per post is 179.
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 27 June, 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.

294 933

Subscribers

-21624 hours

-1 5507 days

-6 46330 days

23 058

Post views

~ 15 91424 hours

~ 17 79048 hours

7.82%

Engagement rate

~ 6

Posts per day

Ads index

beta

Posts Archive

294 931

🎙 MetaVoice-1B: 1.2B parameter base model trained on 100K hours of speech for #TTS (text-to-speech) > Новейшая модель высококачественного клонирования голоса . > 1.2B параметрическая модель. > Обучена на 100 тысячах часов данных. > Синтез коротких и длинных разговоров. > Генерация эмоциональной речи. > Лицензия Apache 2.0. 🔥 Простая, но надежная архитектура: > Encodec (Multi-Band Diffusion) и GPT + Encoder Transformer LM. > DeepFilterNet для очистки от артефактов MBD. 🌐page: https://themetavoice.xyz 🧬code: https://github.com/metavoiceio/metavoice-src 🧪demo: https://ttsdemo.themetavoice.xyz 📦model: https://huggingface.co/metavoiceio/metavoice-1B-v0.1 ai_machinelearning_big_data

294 931

⚡Хакатон ML TALENT MATCH Примите участие в трехдневном хакатоне гибридного формата с 28 февраля по 1 марта, выполните задание одного из трёх кейсов на выбор и станьте победителем! 📊 Кейсы: 1. Алгоритм для мэтчинга кандидатов 2. Алгоритм для структурирования информации в резюме кандидатов 3. Алгоритм для сопоставления резюме и вакансии Для кого: - Junior и Middle разработчики; - Product-менеджеры; - ML-специалисты; - NLP- специалисты; - Аналитики; - Студенты; - Команды от 3 до 5 человек. 🏆Призовой фонд - 300 000 рублей. 📍Формат: онлайн/офлайн награждение в г. Москва, Кластер Ломоносов (ИНТЦ МГУ «Воробьёвы горы») Подробная информация и регистрация: https://clck.ru/38b9Wb

294 931

🔢 DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models DeepSeekMath 7B - новая модель для решения математических задач. DeepSeekMath 7B показал впечатляющий результат в на соревновательном уровне в бенчмарке MATH , приблизившись к уровню Gemini-Ultra и GPT-4. 🖥 Github: https://github.com/deepseek-ai/deepseek-math 📚 Paper: https://arxiv.org/abs/2402.03300v1 🦾 Dataset: https://paperswithcode.com/dataset/math ai_machinelearning_big_data

294 931

⚠️ С чего начать, если хотите работать в ML? С бесплатного практического урока «Кластерный анализ данных» от OTUS. Спикер Мария Тихонова – Senior Data Scientist в «SberDevices» и преподаватель ВШЭ. • В результате вебинара вы узнаете общие принципы кластеризации данных в ML • Изучите ряд алгоритмов, в том числе k-means и примените их на практике Встречаемся 7 февраля в 18:00 мск в рамках курса «Machine Learning. Professional». Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить список вопросов и ответов для прохождения интервью 👉Регистрация https://otus.pw/gqDQ/?erid=LjN8KJQGh

294 931

☑️ cmaes : A Simple yet Practical Python Library for CMA-ES Простая и практичная библиотека на Python для CMA-ES. Стратегия эволюции адаптации ковариационной матрицы (CMA-ES) - это особый вид стратегии для численной оптимизации . Стратегии развития (ES) - это стохастические , методы без производных для числовой оптимизации не- линейной или не выпуклые задачи непрерывной оптимизации . Они принадлежат к классу эволюционных алгоритмов и эволюционных вычислений . эволюционный алгоритм в целом основан на принципе биологической эволюции , а именно на повторяющемся взаимодействии вариаций (посредством рекомбинации и мутации) и отбора: в каждом поколении (итерации) новые особи (кандидаты решения, обозначенные как ), генерируются путем изменения, обычно стохастическим образом, текущих родительских особей.

$ pip install cmaes

import numpy as np
from cmaes import CMA

def quadratic(x1, x2):
    return (x1 - 3) ** 2 + (10 * (x2 + 2)) ** 2

if __name__ == "__main__":
    optimizer = CMA(mean=np.zeros(2), sigma=1.3)

    for generation in range(50):
        solutions = []
        for _ in range(optimizer.population_size):
            x = optimizer.ask()
            value = quadratic(x[0], x[1])
            solutions.append((x, value))
            print(f"#{generation} {value} (x1={x[0]}, x2 = {x[1]})")
        optimizer.tell(solutions)

🖥 Github: https://github.com/CyberAgentAILab/cmaes 📕 Paper: https://arxiv.org/abs/2402.01373v1 ai_machinelearning_big_data

294 931

Используй ChatGPT в профессиональных целях. Создавай нейросуотрудников и зарабатывай на этом. Вот тут ребята проводят бесплатный вебинар, на котором рассказывают: - зачем изучать ChatGPT профессионально - сколько на этом можно заработать - как можно создавать проекты на основе нейронок и продавать их за иксы Веб подойдет маркетологам, дизайнерам, врачам, юристам, руководителям, предпринимателям, разработчикам - мы можем долго перечислять. Нейронки уже нужны всем! Регистрируйся прямо сейчас - будь в курсе всех новинок из мира AI Реклама. ООО "ТЕРРА ЭЙАЙ". ИНН 9728019395. erid: LjN8KZapg

294 931

⚡️ MotionDirector: Motion Customization of Text-to-Video Diffusion Models MotionDirector модель генерации текста в видео, для создания видео в движении по указанным инструкциям. 🖥 Github: https://github.com/showlab/MotionDirector 📕 Paper: https://arxiv.org/abs/2310.08465 ⭐️ Project: showlab.github.io/MotionDirector/ ai_machinelearning_big_data

294 931

Как эффективно проводить эксперименты в ClearML? Расскажет Влад Пивоваров — senior MLOps инженер, который успел поработать в Сбербанке, Airbnb, Groupon. На бесплатном практическом уроке от OTUS разберёмся, каким образом работает инструмент ClearML и как в пару строчек кода можно запустить эксперименты и удобно сравнить их через интерфейс. Занятие идеально подойдет для дата саентистов, MLOps и devops-инженеров. Встречаемся 7 февраля в 20:00 мск в рамках курса «MLOps». Доступна рассрочка на обучение! Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить запись: https://otus.pw/gFoni/?erid=LjN8K99vF Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

294 931

⚡️ MoE-LLaVA: Mixture of Experts for Large Vision-Language Models Новая стратегия обучения MoE-tuning для LVLM, которая позволяет построить модель с огромным количеством параметров, которая эффективно решает проблему снижения производительности, обычно связанную с мультимодальным обучением и разреженностью модели. Этот фреймворк уникальным образом активирует только топ-к экспертов через маршрутизаторы во время развертывания, оставляя остальных экспертов неактивными. Обширные эксперименты подчеркивают возможности MoE-LLaVA в визуальном понимании и ее потенциал для уменьшения галлюцинаций в результатах моделирования. Примечательно, что при наличии всего 3 миллиардов редко активируемых параметров MoE-LLaVA демонстрирует производительность, сравнимую с LLaVA-1.5-7B на различных наборах данных для визуального понимания, и даже превосходит LLaVA-1.5-13B в тестах на галлюцинации объектов. 🖥 Code: https://github.com/PKU-YuanGroup/MoE-LLaVA 🚀 Jupyter: https://github.com/camenduru/MoE-LLaVA-jupyter 📚 Paper: https://arxiv.org/abs/2401.15947 @ai_machinelearning_big_data

294 931

Скажите что-то на карьерном Тинькофф в поиске крутых ИТ-спецов. С компании — профессиональный рост, интересные финтех-задачи, решение бытовых забот и работа там, где вы живете. С вас — выбрать вакансию и откликнуться тут АО «Тинькофф Банк», ИНН 7710140679

294 931

📷 InstructIR: High-Quality Image Restoration Following Human Instructions InstructIR принимает на вход изображение и инструкцию по его улучшению. Нейронная сеть выполняет комплексное восстановление и улучшение изображения. InstructIR достигает передовых результатов в нескольких задачах реставрации, включая обесцвечивание, размытие и улучшение изображения (даже при слабом освещении). 🖥 Code: https://github.com/mv-lab/InstructIR 🚀 Project: mv-lab.github.io/InstructIR/ 🎮 Colab: https://colab.research.google.com/drive/1OrTvS-i6uLM2Y8kIkq8ZZRwEQxQFchfq 📚 Paper: https://arxiv.org/abs/2401.16468 @ai_machinelearning_big_data

294 931

Отличная возможность для независимых разработчиков проявить себя и развить собственный проект — Программа грантов Yandex Open Source. Для вас есть отдельный трек машинного обучения — можно подать заявку прямо сейчас и выиграть грант на Yandex Cloud на сумму 600 тысяч рублей. Регистрируйте проект до 29 февраля по ссылке

294 931

⚡️ DiffSynth Studio Diffutoon - это новая модель диффузии для преобразования видео в анимационный стиль. Модель работает с высоким разрешением и быстрыми движениями. 🖥 Code: https://github.com/Artiprocher/DiffSynth-Studio 🚀 Project: https://ecnu-cilab.github.io/DiffutoonProjectPage/ 📚 Paper: https://arxiv.org/pdf/2401.16224.pdf @ai_machinelearning_big_data

294 931

⭐️ GALA: Generating Animatable Layered Assets from a Single Scan Новый ИИ, который может раздевать 3D модели людей. GALA может обработать однослойную сетку одетого 3D-человека и разложить ее на полноценные многослойные 3D-объекты. Полученные результаты могут быть объединены с другими объектов для создания новых одетых человеческих аватаров с любой позой. 🖥 Code: https://github.com/snuvclab/GALA 🚀 Project: snuvclab.github.io/gala 📚 Paper: https://arxiv.org/abs/2401.12979 @ai_machinelearning_big_data

294 931

🎉 Release Code Llama 70B! Выпуск Code Llama 70B: новая, более производительную версию LLM для генерации кода - доступную по той же лицензии, что и предыдущие модели Code Llama. - CodeLlama-70B - CodeLlama-70B-Python - CodeLlama-70B-Instruct CodeLlama-70B-Instruct достигает 67,8 балла в HumanEval, что делает ее одной из самых высокопроизводительных открытых моделей на сегодняшний день. CodeLlama-70B - это самая производительная база для тонкой файнтюнинга моделей генерации кода. Скачать модели ➡️ https://ai.meta.com/resources/models-and-libraries/llama-downloads/

294 931

📽 VideoCrafter2: Overcoming Data Limitations for High-Quality Video Diffusion Models 🔥 Text2Video 📹 Image2Video 🎥 Jupyter Notebook 🥳 VideoCrafter 2 - это обновленный набор инструментов с открытым исходным кодом для создания и редактирования видео высокого качества. В настоящее время он включает модели Text2Video и Image2Video. 🖥 Code: https://github.com/AILab-CVC/VideoCrafter 🚀 Project: https://ailab-cvc.github.io/videocrafter2/ 📚 Paper: https://arxiv.org/abs/2401.09047 🦉 Jupyter: https://github.com/camenduru/VideoCrafter-colab @ai_machinelearning_big_data

294 931

⭐️ ComfyUI-3D-Pack Модель, которая может генерировать и обрабатывать 3D-объекты с помощью передовых алгоритмов (3DGS, NeRF, Differentiable Rendering, SDS/VSD Optimization, и тд). ▪ComfyUI-3D-Pack: https://github.com/MrForExample/ComfyUI-3D-Pack ▪TGS: https://github.com/VAST-AI-Research/TriplaneGaussian @ai_machinelearning_big_data

294 931

Repost from Техномотель

Обновленная нейромодель GigaChat PRO оказалась лучше по качеству ответов, чем GPT-3.5-turbo от OpenAI не только на русском, но и на английском языке. Специалисты, которые проводили сравнение выяснили, что GigaChat PRO на 6% лучше конкурента справилась с вопросами в тесте MMLU — он включает в себя вопросы в 57 областях знаний из математики, истории, медицины и других. Учитывая, что GPT от OpenAI не очень хорошо справляется с запросами на русском — среди нейронок на российском рынке появился явный фаворит.

294 931

🖥 Depth Anything is now available Monocular depth estimation is the task of estimating the depth value (distance relative to the camera) of each pixel given a single (monocular) RGB image. Монокулярная оценка глубины - это задача определения значения глубины (расстояния относительно камеры) каждого пикселя по одному (монокулярному) RGB-изображению. Depth Anything - это новая интересная модель от Университета Гонконга/TikTok, которая берет существующую архитектуру нейронной сети для монокулярной оценки глубины (а именно модель DPT с основой DINOv2) и увеличивает набор данных для обучения на ней. Авторы разработтали "движок данных" для сбора и автоматического аннотирования масштабных немаркированных данных (~62 миллиона изображений), что значительно расширяет охват данных и позволяет снизить ошибку обобщения. 🖥 Code: https://github.com/NielsRogge/Transformers-Tutorials/blob/master/Depth%20Anything/Predicting_depth_in_an_image_with_Depth_Anything.ipynb 🚀 HF: https://huggingface.co/docs/transformers/v4.28.0/tasks/monocular_depth_estimation 📚 Paper: https://huggingface.co/papers/2401.10891 @ai_machinelearning_big_data

294 931

С чего начать, если хотите стать бизнес-архитектором в IT? С бесплатного практического урока от OTUS, где опытный эксперт разберет: 1️⃣ Что такое бизнес-архитектура 2️⃣ Как это работает в вертикально-интегрированных корпорациях и экосистемах 3️⃣ Популярные техники построения работающей бизнес-архитектуры Вебинар будет полезен всем IT-спецам, которые хотят построить карьеру в управлении. 📢 Встречаемся 29 января в 19:00 мск в рамках курса «Enterprise Architect».После урока у вас будет возможность стать студентом курса по специальной цене и даже в рассрочку! 👉Зарегистрируйтесь прямо сейчас, чтобы посетить бесплатный урок и получить запись: регистрация Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.