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 293 602 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 293 602 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.
293 602
Subscribers
-24924 hours
-1 5267 days
-6 46430 days
Posts Archive
293 509
🎨 Colorization Transformer
Github: https://github.com/satoshiiizuka/siggraphasia2019_remastering
Results: http://iizuka.cs.tsukuba.ac.jp/projects/remastering/en/index.html
Paper: https://openreview.net/forum?id=5NA1PinlGFu
@ai_machinelearning_big_data
293 509
🧠 2020: A Year Full of Amazing AI Papers — A Review
https://www.kdnuggets.com/2020/12/2020-amazing-ai-papers.html
@ai_machinelearning_big_data
293 509
💉 MeDAL: Medical Abbreviation Disambiguation Dataset for Natural Language Understanding Pretraining
Github: https://github.com/BruceWen120/medal
Paper: https://arxiv.org/abs/2012.13978v1
Dataset: https://www.kaggle.com/xhlulu/medal-emnlp
Pre-trained: https://huggingface.co/xhlu/electra-medal
@ai_machinelearning_big_data
293 509
Soft-IntroVAE: Analyzing and Improving Introspective Variational Autoencoders
Project: https://taldatech.github.io/soft-intro-vae-web/
Github: https://github.com/taldatech/soft-intro-vae-pytorch
Paper: https://arxiv.org/abs/2012.13253v1
@ai_machinelearning_big_data
293 509
Solving Mixed Integer Programs Using Neural Networks
Article on speeding up Mixed Integer Programs with ML. Mixed Integer Programs are usually NP-hard problems:
- Problems solved with linear programming
- Production planning (pipeline optimization)
- Scheduling / Dispatching
Or any problems where integers represent various decisions (including some of the graph problems).
ArXiV: https://arxiv.org/abs/2012.13349
Wikipedia on Mixed Integer Programming: https://en.wikipedia.org/wiki/Integer_programming
#NPhard #MILP #DeepMind #productionml #linearprogramming #optimizationproblem
293 509
Check the data science channel there you will find a lot of articles, links and advanced researches .
Join and learn hot topics of data science @opendatascience
293 509
🌐 Global Context Networks
Github: https://github.com/xvjiarui/GCNet
Paper: https://arxiv.org/abs/2012.13375v1
@ai_machinelearning_big_data
293 509
Реализация RCNN на настраиваемом набор данных!
Читать
Код: https://github.com/jackfrost1411/MaskRCNN
@machinelearning_ru
293 509
🔥 DeiT: Data-efficient Image Transformers
Gittub: https://github.com/facebookresearch/deit
Facebook’s research: https://ai.facebook.com/blog/data-efficient-image-transformers-a-promising-new-technique-for-image-classification/
Paper: https://arxiv.org/abs/2012.12877v1
Vision Transformer: https://github.com/lucidrains/vit-pytorch
@ai_machinelearning_big_data
293 509
Feature Selection with Stochastic Optimization Algorithms
https://machinelearningmastery.com/feature-selection-with-optimization/
@ai_machinelearning_big_data
293 509
Повышаем градус киберпанка уходящего года: в 2020 прошло первое нейросетевое Евровидение, AI Song Contest. Выступления участников можно посмотреть на youtube; местами они прокляты и это смешно. Смешнее, необычнее и криповее, чем Uno от Little Big. Отсюда вопрос: что будет с музыкой, если в нее уже пришли роботы?
Первая мысль, конечно: мы все умрем, мир захватят Grimes x Endel. На деле: и нет, и да. Нет — ИИ отлично дописывает, но сочиняет посредственно. Новый Боуи или новые Queen вряд ли будут на 100% цифровыми. Зато эмбиент для йоги и медитаций он пишет, как Брайан Ино, и каверы создает из чего угодно.
Здесь можно посмотреть на прогнозы от SberCloud. От ожидаемого: ТЦ перестанут приглашать на праздники кавер-группы, до экзотики вроде юридических тонкостей работы лейблов и ИИ. Последнее, если подумать, задел на целый раздел авторского права со своими спецами, судами, скандалами. Юристы, выдыхайте. Без работы вы не останетесь.
Ссылка
293 509
YolactEdge: Real-time Instance Segmentation on the Edge
Github: https://github.com/haotian-liu/yolact_edge
Demo: https://www.youtube.com/watch?v=GBCK9SrcCLM
Paper: https://arxiv.org/abs/2012.12259
@ai_machinelearning_big_data
293 509
🎇 TensorFlow Tutorial
https://datascience-enthusiast.com/DL/Tensorflow_Tutorial.html
@ai_machinelearning_big_data
293 509
🔮 An end-to-end machine learning project with Python Pandas, Keras, Flask, Docker and Heroku
Article: https://towardsdatascience.com/an-end-to-end-machine-learning-project-with-python-pandas-keras-flask-docker-and-heroku-c987018c42c7
Habr Ru: https://habr.com/ru/company/skillfactory/blog/534078
Code: https://github.com/RyanEricLamb/rugby-score-prediction
@ai_machinelearning_big_data
293 509
Ещё не слушали наш подкаст с автором @loss_function_porn Каримом Искаковым? Многое теряете!
Как участники зум-конференций могут выдавать себя за других людей, как рэперы снимают клипы с Трампом, и причём тут специалист по компьютерному зрению родом из Кисловодска — всё в одном разговоре. Не пропустите.
293 509
Learning Continuous Image Representation with Local Implicit Image Function.
https://yinboc.github.io/liif/
Github: https://github.com/yinboc/liif
Video: https://www.youtube.com/watch?v=6f2roieSY_8
Paper: https://arxiv.org/abs/2012.09161
@ai_machinelearning_big_data
293 509
🌐 Optimization Algorithms in Neural Networks
https://datascience-enthusiast.com/DL/Optimization_methods.html
Most used optimizers: https://www.theaidream.com/post/optimization-algorithms-in-neural-networks
@ai_machinelearning_big_data
293 509
7 статей на английском про Data Science, ИИ и инфлюенсеров 🧐
Ежемесячная подборка из Medium от Антона Чунаева
1. Немецкий стартап «AI Expert Roadmap» получил 3.5 тысячи звезд на GitHub.
О том, как проект выстрелил благодаря своему интерактивному роадмапу. С его помощью можно узнать, какие знания и умения нужны для освоения той или иной профессии в AI.
— https://slc.tl/6rNsw
2. Преимущества Pulsar перед Kafka.
О том, есть ли все-таки конкуренты у Kafka. Сейчас, если у провайдера нет Kafka, то «shame on you». А вот выяснилось, что ни Францом единым. Судя по тексту, Pulsar быстрее, да еще и мультитенантный.
— https://slc.tl/6MhLZ
3. Несколько AutoML-архитектур, о которых стоит знать.
Про варианты построения AutoML-архитектур в Microsoft и Amazon.
— https://slc.tl/cq2jB
4. 5 полезных YouTube-каналов для дата-сайентистов по машинному обучению, на которые стоит подписаться.
Про странное время, в котором мы живем: кто-то на YouTube машины сжигает, а кто-то умные вещи рассказывает. Контент блогеров из статьи не рассчитан на обычную аудиторию — специфическую лексику и видео по 3 часа осилят только самые отчаянные.
— https://slc.tl/X0uoQ
5. AI Explainability 360 сделает решения ИИ прозрачными для пользователей.
О том, как IBM показала, кто в мире AI главный. Взяла и выкатила технологию, о которой другие пока только научные статьи пишут. Инструмент объясняет решения, принятые искусственным интеллектом.
— https://slc.tl/Snq9X
6. Как выбрать правильное аналитическое направление для работы с CDP?
Одной CDP не всегда достаточно для эффективного анализа пользовательских данных. В материале есть несколько интересных рекомендаций по подходам к их аналитике.
— https://slc.tl/8vlKy
7. Чтобы построить многомиллионный бизнес, нужно больше отдыхать.
Что если нужно работать меньше для достижения лучшего результата? Автор утверждает, что многие предприниматели слишком много работают и это тормозит их рост.
— https://slc.tl/9wc5R
