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
293 611
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.
293 611
Implicit Neural Representations with Periodic Activation Functions
Github: https://github.com/lucidrains/siren-pytorch
Paper: https://arxiv.org/abs/2006.09661
@ai_machinelearning_big_data
293 611
💬 New Facebook's Casual Conversations Dataset over 45,000 videos
Dataset: https://ai.facebook.com/datasets/casual-conversations-dataset/
Paper: https://ai.facebook.com/blog/shedding-light-on-fairness-in-ai-with-a-new-data-set/
@ai_machinelearning_big_data
293 611
🦏 DoubleML - Double Machine Learning in Python
Github: https://github.com/DoubleML/doubleml-for-py
Paper: https://arxiv.org/abs/2104.03220v1
Docs: https://docs.doubleml.org/stable/index.html
@ai_machinelearning_big_data
293 611
📗 New updates: Interpretable Machine Learning
A Guide for Making Black Box Models Explainable.
https://christophm.github.io/interpretable-ml-book/
@ai_machinelearning_big_data
293 611
Regularizing Generative Adversarial Networks under Limited Data
Github: https://github.com/google/lecam-gan
Paper: https://arxiv.org/abs/2104.03310
https://hytseng0509.github.io/lecam-gan/
@ai_machinelearning_big_data
293 611
Обращаем внимание на новый официальный телеграм-канал с вакансиями @megafonjobs.
Кому полезно?
Разработчикам, data scientists, аналитикам, продуктологам, дизайнерам и другим экспертам в области IT и digital.
Зачем нужно?
Чтобы быть в курсе крутых вакансий компании, которая создает цифровые продукты для миллионов пользователей.
Почему интересно?
На канале публикуются самые топовые и горящие вакансии, а еще запланированы полезные материалы и инсайты на темы Digital и IT, интервью с руководителями МегаФона и многое другое.
Подписывайся на @megafonjobs, если готов принять карьерный вызов и выйти на новый профессиональный уровень!
293 611
Timers and Such: A Practical Benchmark for Spoken Language Understanding with Numbers
Github: https://github.com/speechbrain/speechbrain/tree/develop/recipes/timers-and-such
Dataset: https://zenodo.org/record/4623772#.YG08zhQzZs9
Paper: https://arxiv.org/abs/2104.01604v1
@ai_machinelearning_big_data
293 611
15 апреля в 17:00 пройдет мероприятие Arrival Live, на котором команда Arrival впервые расскажет о том, как устроено автомобилестроение будущего: что находится под капотом автомобилей и в стенах фабрик компании. Не пропусти!
Предварительная регистрация поможет не забыть про митап и получить ссылку на онлайн-трансляцию, а также материалы по итогам митапа. Не пропусти – meetup.arrival.com
293 611
Audio-Visual Event Localization in Unconstrained Videos
https://sites.google.com/view/audiovisualresearch
Github: https://github.com/YapengTian/AVE-ECCV18
Paper: https://arxiv.org/abs/1803.08842
@ai_machinelearning_big_data
293 611
Беспокоитесь о сохранности данных?
8 апреля в 11:00 приглашаем на вебинар «Commvault Intelligent Data Management. Больше чем просто backup».
∙ как свести к минимуму риски, сложность и расходы при развертывании системы защиты данных и резервного копирования
∙ как создать единую платформу управления данными
∙ как получить решение под ключ от одного поставщика
На вебинаре представим обновленный портфель решений для интеллектуального управления данными, а также поделимся лучшими практиками применения резервного копирования.
Регистрируйтесь: https://clck.ru/U7CqN
293 611
👁 Learning Spatio-Temporal Transformer for Visual Tracking
Github: https://github.com/researchmm/Stark
Paper: https://arxiv.org/abs/2103.17154v1
@ai_machinelearning_big_data
293 611
Как устроиться на работу продактом и как её не потерять?
Узнаете 6 апреля в 19:00 на бесплатном интенсиве от ProductStar
Вместе с Ириной Гизитдиновой, Product Leader компании BPC, вы получите ответы на вопросы:
— Большая компания или стартап? Как проходить собеседования? На что обращают внимание? Какие совершаются типовые ошибки?
— Как измерить свой уровень? Как расти продакту? Как правильно подойти к прокачке своих навыков, чтобы больше "стоить" на рынке?
— Ошибки, которые могут стоить вам работы продакта.
Также каждому зрителю подарят чек-лист «Как пройти собеседование на должность продакт-менеджера»
Участие бесплатное, но регистрация обязательна
Зарегистрироваться на интенсив 👉 @ProductStarProductBot
293 611
EasyMocap is an open-source toolbox for markerless human motion capture from RGB videos
Github: https://github.com/zju3dv/EasyMocap
Paper: https://arxiv.org/abs/2104.00340v1
@ai_machinelearning_big_data
293 611
⚡️ NeX: Real-time View Synthesis with Neural Basis Expansion
Github: https://github.com/nex-mpi/nex-code
Real-time View Synthesis with Python Code: https://analyticsindiamag.com/what-is-nex-guide-to-real-time-view-synthesis-with-python-code/
Project: https://nex-mpi.github.io/
Paper: https://arxiv.org/pdf/2103.05606.pdf
Video: https://www.youtube.com/watch?v=HyfkF7Z-ddA&ab_channel=SupasornSuwajanakorn
@ai_machinelearning_big_data
293 611
Hyperbolic Graph Convolutional Auto-Encoders
Github: https://github.com/junhocho/HGCAE
Paper: https://arxiv.org/abs/2103.16046
@ai_machinelearning_big_data
293 611
TransT - Transformer Tracking
Github: https://github.com/chenxin-dlut/TransT
Paper: https://arxiv.org/abs/2103.15436
Model: https://drive.google.com/drive/folders/1GVQV1GoW-ttDJRRqaVAtLUtubtgLhWCE
@ai_machinelearning_big_data
293 611
Каждый Data scientist хоть раз пробовал поиграться с нейросетями. Но чтобы они решали задачи бизнеса, работали стабильно и не потребляли чрезмерное количество ресурсов — тут не обойтись без практики и специальных знаний.
Хотите связать свою карьеру с нейросетями? Ждем вас на онлайн-курсе «Deep Learning. Basic», где вы с основ шаг за шагом создадите и обучите свою первую послушную нейронную сеть.
⚡️За 5 месяцев вы ознакомитесь с базовыми возможностями нейронных сетей, попробуете разные направления Deep Learning и освоите такие фреймворки как PyTorch, Keras, NumPy. После обучения вы сможете претендовать на начальные позиции специалиста по нейронным сетям и самостоятельно решать рядовые распространенные задачи.
👉Вступительный тест покажет, достаточно ли у вас знаний математики и базового синтаксиса Python для прохождения курса. Набирайте проходной балл и занимайте место по спец.цене: https://otus.pw/mAwq/
293 611
UniverseNet
UniverseNet is the state-of-the-art detector that can be trained in 24 epochs.
Github: https://github.com/shinya7y/UniverseNet
Paper: https://arxiv.org/abs/2103.14027v1
@ai_machinelearning_big_data
293 611
Swin Transformer - PyTorch
Code: https://github.com/berniwal/swin-transformer-pytorch
Github: https://github.com/microsoft/Swin-Transformer
Paper: https://arxiv.org/abs/2103.14030v1
@ai_machinelearning_big_data
