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 293 879 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 293 879 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.
293 879
Subscribers
-23524 hours
-1 5517 days
-6 44430 days
Posts Archive
293 857
📐 RepMLPNet: Hierarchical Vision MLP with Re-parameterized Locality (PyTorch)
Github: https://github.com/DingXiaoH/RepMLP
Pre-trained model: https://drive.google.com/drive/folders/1eDFunxOQ67MvBBmJ4Bw01TFh2YVNRrg2?usp=sharing
Paper: https://arxiv.org/abs/2112.11081v1
Task: https://paperswithcode.com/task/semantic-segmentation
@ai_machinelearning_big_data
293 857
💻 SmartMarket — это единая точка доступа ко всем технологическим платформам Сбера. С помощью SmartMarket вы сможете:
— Использовать десятки современных инструментов — от веб-хостинга до нейросетевых решений;
— Подключить к готовому проекту NLP-платформу и распознавание жестов;
— Использовать виртуальных персонажей или создать Создать виртуального персонажа или чат-ботСоздать виртуального персонажа или чат-бот;
— Монетизировать бизнес в один клик;
— Организовать облачное хранение данных;
— Пользоваться документацией, API и спецификациями для всех сервисов и многое другое!
А еще вы получите доступ к аудитории Сбера в 100 млн человек и сообществу из 2500+ IT-специалистов, сможете общаться с ними в Telegram-канале и посещать регулярные митапы.
👉🏻 Бесплатно зарегистрироваться в SmartMarket Studio можно уже сейчас.
293 857
🌠 NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems
NetKet is an open-source project delivering cutting-edge methods for the study of many-body quantum systems with artificial neural networks and machine learning techniques.
Github: https://github.com/netket/netket
Paper: https://arxiv.org/pdf/2112.10526v1.pdf
Homepage: https://www.netket.org
Documentation: https://www.netket.org/documentation
Tutorials: https://www.netket.org/tutorials
@ai_machinelearning_big_data
293 857
💡 Ensembling Off-the-shelf Models for GAN Training
Github: https://github.com/nupurkmr9/vision-aided-gan
Paper: https://arxiv.org/pdf/2112.09130v1.pdf
Dataset: https://paperswithcode.com/dataset/lsun
@ai_machinelearning_big_data
293 857
Разработчик ML в Финтех Яндекса
Новый сервис продолжает свои поиски: будущему Банку нужны разработчики ML. И чем больше, тем лучше!
Что предстоит делать? Решать задачи от риск-моделирования до моделей привлечения и ретеншна пользователей; строить большие и сложные модели, которые учитывают данные самой разной природы из тех, что есть в Яндексе; совмещать современный ML и глубокое обучение с продвинутыми статистическими моделями.
Что ещё? Отвечать за весь стек ML-задач: и не только обучать модели, но и внедрять их в production, налаживать процессы обучения, деплоя и мониторинга моделей, пользуясь развитой ML-инфраструктурой большого Яндекса.
Верим, что многим из вас интересно заложить фундамент ML в большом стартапе внутри большого Яндекса, и, к/Users/egor/Downloads/yandex.mp4онечно, максимально прокачаться. Будет сложно, будет круто — приходите, скучать точно не придётся!
Никаких долгих изматывающих собесов, попасть в телеграм к эйчару можно прямо с этой промки, после простой задачки-капчи.
293 857
📑 Extreme Zero-Shot Learning for Extreme Text Classification
Github: https://github.com/amzn/pecos
Paper: https://arxiv.org/abs/2112.08652v1
@ai_machinelearning_big_data
293 857
📹 Vision Transformer Based Video Hashing Retrieval for Tracing the Source of Fake Videos
Github: https://github.com/lajlksdf/vtl
Paper: https://arxiv.org/abs/2112.08117v1
Dataset: https://paperswithcode.com/dataset/dftl
@ai_machinelearning_big_data
293 857
🕷 Bayesian Active Learning (BaaL)
Github: https://github.com/ElementAI/baal
Documentation: https://baal.readthedocs.io.
Paper: https://arxiv.org/abs/2112.06586v1
Blog: https://www.elementai.com/news/2019/element-ai-makes-its-bayesian-active-learning-library-open-source
@ai_machinelearning_big_data
293 857
Бесплатный онлайн-учебник по ML и Data Science
Для начинающих ML-специалистов, аналитиков и разработчиков появилось отличное учебное онлайн-пособие, которое систематизирует актуальную базовую информацию о Machine Learning и Data Science и помогает погрузиться в тему.
Авторы учебника — специалисты Школы анализа данных Яндекса — проводят от основ машинного обучения и знакомства с ключевыми для ML разделами математики до примеров реального применения их на практике. Учебник выложен в свободный доступ, и сейчас в нем открыты две главы: «Классические методы обучения с учителем» и «Оценка качества моделей». В ближайшее время появятся и новые разделы — авторы обещают регулярно обновлять информацию вслед за развитием сферы ML. Добавляйте в закладки!
293 857
🎓 GAN-Supervised Dense Visual Alignment
Github: https://github.com/wpeebles/gangealing
Project: https://www.wpeebles.com/gangealing
Paper: https://arxiv.org/abs/2112.04894v1
Dataset: https://paperswithcode.com/dataset/celeba
@ai_machinelearning_big_data
293 857
💉 Semi-supervised-learning-for-medical-image-segmentation.
Github: https://github.com/HiLab-git/SSL4MIS
Paper: https://arxiv.org/abs/2112.04894v1
@ai_machinelearning_big_data
293 857
Federated Learning: Collaborative Machine Learning with a Tutorial on How to Get Started
https://www.kdnuggets.com/2021/12/federated-learning-collaborative-machine-learning-tutorial-get-started.html
@ai_machinelearning_big_data
293 857
🦎 → 🐍 NL-Augmenter: A Framework for Task-Sensitive Natural Language Augmentation
Github: https://github.com/GEM-benchmark/NL-Augmenter
Paper: https://arxiv.org/abs/2112.02721v1
Dataset: https://paperswithcode.com/dataset/sst
@ai_machinelearning_big_data
293 857
🔗 DenseCLIP: Language-Guided Dense Prediction with Context-Aware Prompting
Github: https://github.com/raoyongming/denseclip
Paper: https://arxiv.org/abs/2112.01518v1
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
293 857
Intel организовал чемпионат по обработке и анализу данных. Главный приз – 1 000 000 рублей!
c 1 по 17 декабря в рамках чемпионата вам предлагается обучить нейросети с помощью инструментов для анализа информации Intel oneAPI.
Автор задачи СберМаркет - один из крупнейших онлайн-сервисов доставки продуктов. Вам предстоит - построить модель, которая предскажет, какие покупки совершит пользователь в следующем месяце. Исторические данные включают в себя информацию о покупках пользователей за последние 4 месяца.
Для того чтобы принять участие нужно зарегистрироваться, скачать предложенные датасеты и получить условия задачи
Участники соревнований получат доступ к набору программных инструментов для ускорения машинного обучения и анализа данных Intel® oneAPI на облачной платформе ML Space. Затем нужно обучить модель и готовую версию загрузить обратно на платформу для проверки. Победителем станет тот, кто наиболее точно предскажет категории товаров и получит приз – 1 000 000 рублей.
Все подробности по ссылке
#INTEL #SBERMARKET
293 857
🔹 Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Github: https://github.com/facebookresearch/Mask2Former
Installation: https://github.com/facebookresearch/Mask2Former/blob/main/INSTALL.md
Paper: https://arxiv.org/abs/2112.01527v1
Dataset: https://paperswithcode.com/dataset/cityscapes
@ai_machinelearning_big_data
293 857
🎙 Продолжаем серию митапов GPB.Talks. В этот раз спикеры из Газпромбанка и КРОК Облачные Сервисы обсудят в онлайн-формате тренды финтех-индустрии и эффективные подходы к бизнесу, которые действительно работают в 2021-м году. Митап будет интересен архитекторам, фронтенд-разработчикам, devops-инженерам, заинтересованным в облачных решениях, а также сотрудникам fintech-направления.
Спикерами выступят:
🔷 Владимир Григорьев, директор по архитектуре, и Александр Виноградов, начальник Управления архитектуры решений, расскажут, как устроена омниканальная платформа в Газпромбанке.
🔷 Максим Морарь, менеджер по развитию бизнеса КРОК Облачные Сервисы, объяснит, почему контейнеризация в связке с DevOps-подходами и облачными сервисами — это тренд, который следует учитывать любой динамично развивающейся компании с собственными цифровыми продуктами.
Модерировать митап будет Александр Виноградов — начальник Управления архитектуры решений Газпромбанка.
Чтобы принять участие, зарегистрируйтесь по ссылке > https://vk.cc/c8BNrf
293 857
Dual Spoof Disentanglement Generation for Face Anti-spoofing with Depth Uncertainty Learning
Github: https://github.com/JDAI-CV/faceX-Zoo
Paper: https://arxiv.org/abs/2112.00568v1
Dataset: https://paperswithcode.com/dataset/replay-attack
@ArtificialIntelligencedl
293 857
Онлайн-хакатон по медицинскому искусственному интеллекту от «Наносемантики» и ФГАУ «РЦУД и РТ», на котором участникам предстоит разработать тренажёр в виде веб-сайта или мобильного приложения, который позволит пациентам с тяжёлым расстройством речи проходить реабилитацию – тренировать произношение слов и фраз.
Призовой фонд – 500 тыс.рублей, участвовать можно с 16 лет, а все решения должны быть опубликованы в Open Source под свободной лицензией Apache 2.0
• Даты проведения: 7-9 декабря
• Место проведения: online
• Регистрация: до 7 декабря
• Ссылка на регистрацию: https://nanosemantics.timepad.ru/event/1861440/
• Читать подробнее: https://habr.com/ru/company/ashmanov_net/blog/592667/
293 857
🚀 Revitalizing CNN Attention via Transformers in Self-Supervised Visual Representation Learning
Github: https://github.com/chongjiange/care
Paper: https://openreview.net/pdf?id=sRojdWhXJx
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
