Available now! Telegram Research 2025 — the year's key insights 
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
Show more📈 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 293 687 subscribers, ranking 327 in the Technologies & Applications category and 1 276 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 293 687 subscribers.
According to the latest data from 01 July, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -6 444 over the last 30 days and by -235 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 7.55%. Within the first 24 hours after publication, content typically collects 5.55% reactions from the total number of subscribers.
- Post reach: On average, each post receives 22 202 views. Within the first day, a publication typically gains 16 311 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 172.
- 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 02 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.
293 687
Subscribers
-23524 hours
-1 5517 days
-6 44430 days
Posts Archive
293 631
🎉 24 мая в Москве наградили молодых ученых и их наставников, занимающихся научной работой в области компьютерных наук. Поздравляем лауреатов премии имени Ильи Сегаловича! 🎉
Каждый из них получит по 1 миллиону рублей, который будет можно потратить на собственные исследования. В этом году Совет премии отметил шесть исследователей из НИУ ВШЭ, МФТИ и Сколковского института науки и технологий.
⚠️ Узнайте больше о тех, кто получил премию, и как принять в ней участие: https://clck.ru/V3QDF
293 631
🔥 Awesome list of datasets in 100+ categories
44 zettabytes of data
https://www.kdnuggets.com/2021/05/awesome-list-datasets.html
@ai_machinelearning_big_data
293 631
📕 Font Style that Fits an Image -- Font Generation Based on Image Context
Github: https://github.com/Taylister/FontFits
Paper: https://arxiv.org/abs/2105.08879v1
Dataset creation: https://github.com/Taylister/TGNet-Datagen
@ai_machinelearning_big_data
293 631
💥DatasetGAN: Efficient Labeled Data Factory with Minimal Human Effort
Github: https://nv-tlabs.github.io/datasetGAN/
Article: https://www.infoq.com/news/2021/05/nvidia-dataset-generator/
Ru: https://neurohive.io/ru/novosti/datasetgan-generator-sinteticheskih-annotirovannyh-datasetov-nvidia/
@ai_machinelearning_big_data
293 631
📷 NeRF Meta Learning With PyTorch
Given a single input view, meta-initialized NeRF can generate a 360-degree video.
Github: https://github.com/sanowar-raihan/nerf-meta
Paper: https://arxiv.org/abs/2012.02189
Original Project Page: https://www.matthewtancik.com/learnit
Official JAX Implementation: https://github.com/tancik/learnit
@ai_machinelearning_big_data
293 631
Погрузитесь в продвинутые инструменты Machine Learning!
Начните обучение уже 27 мая с демо-занятия «О чем говорят депутаты или тематическое моделирование Госдумы».
На занятии вы проанализируете открытые данные при помощи ML. Узнаете, о чем за последние 20+ лет говорили депутаты российских партий, как можно по топикам выступлениям проследить за изменениями, происходившими в обществе и при чём здесь лемматизация и когерентность.
Демо-занятие является частью онлайн-курса «Machine Learning. Advanced» в OTUS, где вас ждет еще больше увлекательных проектов и полезнейших технологий.
Для регистрации на урок пройдите вступительный тест https://otus.pw/9VnPw/
293 631
🧠 Teaching AI how to forget at scale
Video: https://www.youtube.com/watch?v=hI6iJmPgm_k&ab_channel=FacebookAIFacebookAI
Facebook AI: https://ai.facebook.com/blog/teaching-ai-how-to-forget-at-scale/
Github: https://github.com/facebookresearch/transformer-sequential
Paper: https://ai.facebook.com/research/publications/not-all-memories-are-created-equal
@ai_machinelearning_big_data
293 631
Многослойная нормализация: новый метод улучшения эффективности нейронных сетей
https://neurohive.io/ru/novosti/mnogoslojnaya-normalizaciya-novyj-metod-uluchsheniya-effektivnosti-nejronnyh-setej/
En: https://www.frontiersin.org/articles/10.3389/fnins.2021.626277/full
@machinelearning_ru
293 631
🚘 Highway-env
A collection of environments for autonomous driving and tactical decision-making tasks
Github: https://github.com/eleurent/highway-env
Documentation: https://highway-env.readthedocs.io/en/latest/
Paper: https://arxiv.org/abs/2105.05701v1
@ai_machinelearning_big_data
293 631
🤖 Conversational AI Chatbot with Transformers in Python
https://www.thepythoncode.com/article/conversational-ai-chatbot-with-huggingface-transformers-in-python
Code: https://www.thepythoncode.com/code/conversational-ai-chatbot-with-huggingface-transformers-in-python
Text to speech: https://www.thepythoncode.com/article/convert-text-to-speech-in-python
@ai_machinelearning_big_data
293 631
Как добиться, чтобы модели Machine Learning приносили пользу?
Научитесь делать код модели удобным и поддерживаемым с помощью пайплайнов. 24-25 мая OTUS приглашает на открытый интенсив «Деплой ML модели: от грязного кода в ноутбуке к рабочему сервису». В первый день вы разберетесь, как сохранять обученные модели на диск и развернуть модель в качестве микросервиса. Всё это позволит перейти от набросков в ноутбуке к приносящему пользу сервису. Во второй день вы превратите чужой код модели в работающий микросервис.
После интенсива вы сможете продолжить обучение на онлайн-курсе «Machine Learning. Professional» по спец.цене.
Для регистрации на занятие пройдите вступительный тест https://otus.pw/bX2s/
293 631
⚽️ Advancing sports analytics through AI research
🔥 Deepmind blog : https://deepmind.com/blog/article/advancing-sports-analytics-through-ai
A Dataset and Benchmarks: https://soccer-net.org/
Dataset: https://github.com/statsbomb/open-data
Paper: https://sites.google.com/view/ijcai-aisa-2021/
@ai_machinelearning_big_data
293 631
💬 How to Fine Tune BERT for Text Classification using Transformers in Python
https://www.thepythoncode.com/article/finetuning-bert-using-huggingface-transformers-python
Code: https://www.thepythoncode.com/code/finetuning-bert-using-huggingface-transformers-python
Dataset: https://scikit-learn.org/0.19/datasets/twenty_newsgroups.html
@ai_machinelearning_big_data
293 631
Готовы прокачивать свои навыки Machine Learning?
Тогда ждем вас 17 мая на демо-занятии «Кластеризация временных рядов» в OTUS.
Вместе с Дмитрием Сергеевым, Senior Data Scientist и автором онлайн-курса «Machine learning. Advanced», вы разберете интереснейшую задачу, связанную с временными рядами.
Можно ли найти похожие друг на друга по динамике финансовые активы на бирже, как сгруппировать пользователей по их поведению, кто подставил кролика Роджера? Ответы на некоторые из этих вопросов получим на занятии.
Для участия пройдите вступительный тест https://otus.pw/4ajS/
293 631
🔥 Synthesizing Light Field From a Single Image with Variable MPI and Two Network Fusion
Github: https://github.com/Turmac/light_field_synthesis
Project: https://people.engr.tamu.edu/nimak/Papers/SIGAsia2020_LF/index.html
Ru: https://neurohive.io/ru/novosti/two-cnn-for-photos/
Paper: https://people.engr.tamu.edu/nimak/Papers/SIGAsia2020_LF/resource/SIGGRAPH_2020_Light_Field_Authors_version.pdf
Dataset: https://drive.google.com/file/d/1oHywOJAAYm8YrSH5mDubjTAwN8jrCC9y/view
@ai_machinelearning_big_data
293 631
20 мая Сбер впервые проведет масштабную технологическую конференцию SmartDev, чтобы рассказать о максимуме возможностей для разработчиков и всего техно-сообщества.
💥 3000+ участников.
💥 50+ спикеров.
💥 6 параллельных стримов от техно-активов Сбера.
💥 Dev to dev.
На стриме платформы ML Space, эксперты и грандмастера Kaggle расскажут о возможностях ML Space — единственной облачной платформе в мире, позволяющей организовать распределенное обучение на 1000+ GPU. Впервые для российских разработчиков будут представлены новые модули платформы и инструменты oneAPI от Intel.
Конференция пройдет онлайн, участие бесплатное, по предварительной регистрации на сайте.
293 631
Image classification with TensorFlow Lite Model Maker
https://www.tensorflow.org/lite/tutorials/model_maker_image_classification
⚙ Code
💻 Colab
@ai_machinelearning_big_data293 631
🚀 This is an open source toolkit called s3prl, which stands for Self-Supervised Speech Pre-training and Representation Learning
Github: https://github.com/s3prl/s3prl
Paper: https://arxiv.org/abs/2105.01051v1
@ai_machinelearning_big_data
293 631
🔖 Как с нуля сделать первые шаги в Data Science? Персональный ментор, практика, приближенная к реальным задачам начинающего дата сайентиста, грамотно подобранный стек навыков — про все это поговорим 13 мая с Дмитрием Сергеевым, Senior Data Scientist в Oura.
Дмитрий расскажет о том, что нужно освоить, чтобы претендовать на позиции junior специалиста Machine Learning, и представит 4-х месячную базовую программу подготовки от OTUS.
🔗 Регистрируйтесь на вебинар и готовьте свои вопросы о перспективах и карьере в Data Science https://otus.pw/EskQ/
293 631
🔥Self-Supervised Vision Transformers with DINO
Github: https://github.com/facebookresearch/dino
Facebook blog: https://ai.facebook.com/blog/dino-paws-computer-vision-with-self-supervised-transformers-and-10x-more-efficient-training
Paper: https://arxiv.org/abs/2104.14294
@ai_machinelearning_big_data
