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
293 625
Understanding Autoencoders With Examples
https://www.nbshare.io/notebook/86916405/Understanding-Autoencoders-With-Examples/
@ai_machinelearning_big_data
293 625
Leveraging Machine Learning for Game Development
https://ai.googleblog.com/2021/03/leveraging-machine-learning-for-game.html
Habr: https://habr.com/ru/company/google/blog/553346/
@ai_machinelearning_big_data
293 625
EigenGAN
TensorFlow implementation of EigenGAN: Layer-Wise Eigen-Learning for GANs
Github: https://github.com/LynnHo/EigenGAN-Tensorflow
Paper: https://arxiv.org/abs/2104.12476v1
@ai_machinelearning_big_data
293 625
Token Labeling: Training a 85.4% Top-1 Accuracy Vision Transformer with 56M Parameters on ImageNet
Github: https://github.com/zihangJiang/TokenLabeling
Paper: https://arxiv.org/abs/2104.10858v2
@ai_machinelearning_big_data
293 625
🌐 MMDetection3D is an open source object detection toolbox based on PyTorch, towards the next-generation platform for general 3D detection
Github: https://github.com/open-mmlab/mmdetection3d
Paper: https://arxiv.org/abs/2104.10956v1
@ai_machinelearning_big_data
293 625
VideoGPT: Video Generation using VQ-VAE and Transformers
Github: https://github.com/wilson1yan/VideoGPT
Paper: https://arxiv.org/abs/2104.10157
Demo: https://gradio.app/g/AK391/VideoGPT
Latent Video Transformer: https://arxiv.org/abs/2006.10704
@ai_machinelearning_big_data
293 625
Graph-based Neural Structured Learning in TFX | TensorFlow
https://www.tensorflow.org/tfx/tutorials/tfx/neural_structured_learning
Code: https://github.com/tensorflow/tfx/blob/master/docs/tutorials/tfx/neural_structured_learning.ipynb
@ai_machinelearning_big_data
293 625
TediGAN: Text-Guided Diverse Face Image Generation and Manipulation in PyTorch.
Github: https://github.com/IIGROUP/TediGAN
Dataset: https://github.com/IIGROUP/Multi-Modal-CelebA-HQ-Dataset
Paper: https://arxiv.org/abs/2104.08910v1
@ai_machinelearning_big_data
293 625
Microsoft's ProphetNet-X: Large-Scale Pre-training Models for English, Multi-lingual, Dialog, and Code Generation
Code: https://github.com/microsoft/ProphetNet
Paper: https://arxiv.org/pdf/2001.04063.pdf
@ai_machinelearning_big_data
293 625
Познайте дзен в Telegram-канале Zen of Python. Каждый день там публикуются полезные материалы по Python и связанным с ним технологиям.
Подписывайтесь: @zen_of_python
293 625
🔍 Zooming-Slow-Mo
Code: https://github.com/Mukosame/Zooming-Slow-Mo-CVPR-2020
Paper: https://arxiv.org/abs/2104.07473
@ai_machinelearning_big_data
293 625
🔍 Zooming-Slow-Mo
Code: https://github.com/Mukosame/Zooming-Slow-Mo-CVPR-2020
Paper: https://arxiv.org/abs/2104.07473
@ai_machinelearning_big_data
293 625
TensorFlow input pipelines | TensorFlow Core
https://www.tensorflow.org/guide/data
Code: https://github.com/tensorflow/docs/blob/master/site/en/guide/data.ipynb
293 625
Open Source Experimental Design Software in the Age of AI
Github: https://github.com/yunshengtian/AutoOED
Paper: https://arxiv.org/abs/2104.05959
Project: https://www.autooed.org/
@ai_machinelearning_big_data
293 625
На любой работе бывает скучно. Получили задачу, сделали, отдали. И так минимум по 8 часов каждый день пять раз в неделю. Ну ладно, с перерывом на обед. А что, если добавить немного соревнований в привычный распорядок дел?
Есть предложение! Образовательная экосистема GeekBrains запускает новый курс — «Спортивный Data Science».
🧑🏫 Вместе с преподавателем вы разберете реальные задачи по анализе данных и машинному обучению, и в конце каждого занятия пройдете соревнование по пройденной теме на Kaggle.
Задачи будут из разных сфер: маркетинга, страхования, банкинга, медицины. Придется посоревноваться с другими участниками за лучший результат!
Что нужно знать:
• Математику на уровне вузов или курсов по Data Science
• Python и классические DS-библиотеки
• Классические алгоритмы машинного обучения
А вот что вы получите:
⭐️ Удостоверение о повышении квалификации
⭐️ Улучшенное резюме
⭐️ Шанс получить работу в престижной компании
Переходите по ссылке, регистрируйтесь на курс и выигрывайте!293 625
How to Perform Voice Gender Recognition using TensorFlow in Python
https://www.thepythoncode.com/article/gender-recognition-by-voice-using-tensorflow-in-python
Code: https://github.com/x4nth055/gender-recognition-by-voice
@ai_machinelearning_big_data
293 625
🧠 Lite-HRNet: A Lightweight High-Resolution Network
Github: https://github.com/HRNet/Lite-HRNet
Paper: https://arxiv.org/abs/2104.06403
@ai_machinelearning_big_data
293 625
Хотите связать свою карьеру с нейросетями? Или вы Data Scientist с опытом и хотите освоить новые технологии? Тогда предлагаем вам курсы "Deep learning. Basic" и "Computer vision"!
📍Выберите курс и пройдите тестирование, чтобы:
● оценить свои навыки
● занять место на курсе по специальной цене
● получить доступ к демо-урокам курса
👉🏻Пройти тестирование "Deep learning. Basic": https://otus.pw/EODp/
👉🏻Пройти тестирование "Computer vision": https://otus.pw/MO87/
293 625
PaddleGAN provides developers with high-performance implementation of classic and SOTA Generative Adversarial Networks
Github: https://github.com/PaddlePaddle/PaddleGAN
Paper: https://arxiv.org/abs/2104.05376v1
@ai_machinelearning_big_data
293 625
C 12 по 25 апреля приглашаем принять участие в EPAM Data Hiring Weeks!
Станьте частью команды EPAM и получите welcome-бонус в размере одного оклада.
Направления:
Big Data: https://epa.ms/EPAM-BigData-HiringWeek
Data Quality: https://epa.ms/EPAM-DataQuality-HiringWeek
Как подать заявку:
1. Заполните регистрационную форму и получите подтверждение;
2. Пройдите интервью и получите оффер в течение 24 часов.
Мы ценим ваше время, и эта одна из причин проведения мероприятия – не нужно долго ждать решения. После успешного прохождения интервью в течение 24 часов вам будет сделан оффер. Если вы примете его в период с 12 по 25 апреля, вы получите welcome-бонус.
