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 276 130 subscribers, ranking 337 in the Technologies & Applications category and 1 374 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 276 130 subscribers.
According to the latest data from 06 November, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by -2 370 over the last 30 days and by -145 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 8.02%. Within the first 24 hours after publication, content typically collects 6.32% reactions from the total number of subscribers.
- Post reach: On average, each post receives 22 160 views. Within the first day, a publication typically gains 17 447 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 335.
- 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 07 November, 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.
276 130
Subscribers
-14524 hours
-8617 days
-2 37030 days
Posts Archive
276 067
❓Какие инструменты должен знать специалист по работе с большими данными и машинному обучению?
Узнайте 1 декабря в 20:00 на Demo day онлайн-курса «MLOps» от OTUS. Курс разработан совместно со Сбером.
✨Преподаватель представит программу и формат обучения, а также поделится свои карьерным опытом.
А вы сможете задать вопросы об инструментах и технологиях работы с большими данными эксперту.
👉Регистрируйтесь на мероприятие и готовьте свои вопросы
https://otus.pw/37L4
276 067
🌍 TorchGeo is a PyTorch domain library, similar to torchvision, that provides datasets, transforms, samplers, and pre-trained models specific to geospatial data.
Github: https://github.com/microsoft/torchgeo
Paper: https://arxiv.org/abs/2111.08872v1
Dataset: https://paperswithcode.com/dataset/so2sat-lcz42
Documentation: https://github.com/microsoft/torchgeo#documentation
@ai_machinelearning_big_data
276 067
DeBERTaV3: Improving DeBERTa using ELECTRA-Style Pre-Training with Gradient-Disentangled Embedding Sharing
Github: https://github.com/microsoft/DeBERTa
Explanation: https://www.youtube.com/watch?v=_c6A33Fg5Ns&ab_channel=YannicKilcher
Paper: https://arxiv.org/abs/2111.09543v1
Dataset: https://paperswithcode.com/dataset/squad
Documentation: https://deberta.readthedocs.io/en/latest/
@ai_machinelearning_big_data
276 067
Привет!
Команда Cameos ищет крутого ML разработчика в лондонский офис Snapchat. Вас ожидают state-of-the-art computer vision задачи (https://www.thesun.co.uk/tech/13383120/snapchat-rolls-out-cartoon-lens/). Полагаются все плюшки работы в большой компании, при этом мы еще сохраняем дух стартапа внутри (компания AI Factory была недавно куплена Snap). Через год возможен relocation в Лос-Анджелес 😎🌴
Желающие попробовать свои силы пишите @akovalenko7
276 067
🧊 GANformer: Generative Adversarial Transformers
Github: https://github.com/pengzhiliang/MAE-pytorch
Paper: https://arxiv.org/abs/2111.08960
Dataset: https://paperswithcode.com/dataset/coco
@ai_machinelearning_big_data
276 067
📶 Word Embeddings Transformers In SVM Classifier Using Python
https://www.nbshare.io/notebook/197284676/Word-Embeddings-Transformers-In-SVM-Classifier-Using-Python/
@ai_machinelearning_big_data
276 067
18 ноября в 11:00 МСК состоится вебинар «Бесплатная оптимизация ИИ-моделей на базе ML Space с помощью Intel®️ oneAPI». Эксперт облачного провайдера услуг и сервисов SberCloud Владимир Новоженов расскажет об инструментах Intel oneAPI — OpenVino на облачной платформе ML Space, ставших теперь доступными для физических лиц, и продемонстрирует, как с их помощью оптимизировать ИИ-модели. Также вы узнаете, где получить бесплатный доступ к инструментам Intel oneAPI на платформе ML Space.
Intel oneAPI Toolkits – это набор инструментов для разработки приложений под различные архитектуры: CPU, GPU, FPGA и другие. В состав набора входит компилятор языка Data Parallel C++, библиотеки для API-программирования и комплект средств для анализа и отладки приложений. Intel oneAPI обеспечивает разработчикам продуктивное и производительное гетерогенное программирование.
Присоединяйтесь! Будет интересно и полезно:
https://sbercloud.ru/ru/warp/webinar?id=9657285
276 067
🔄 Unofficial PyTorch implementation of Masked Autoencoders Are Scalable Vision Learners
Github: https://github.com/pengzhiliang/MAE-pytorch
Paper: https://arxiv.org/abs/2111.06377
Pytorch: https://github.com/lucidrains/vit-pytorch
Dataset: https://paperswithcode.com/dataset/ade20k
@ai_machinelearning_big_data
276 067
Must have для каждого специалиста по машинному обучению!
Последняя в этом году практическая группа по «Machine Learning. Advanced» старт уже 29 ноября.
Приглашаем вас на бесплатный 2-х дневный интенсив:
⌛️22-23 ноября в 20:00 (мск) «Деплой ml модели: от грязного кода в ноутбуке к рабочему сервису» от OTUS и Сбер: https://otus.pw/9wGG/
Ответьте на 10 вопросов и проверьте свой уровень знаний. Пройдите вступительный тест на онлайн-курс, чтобы определить подойдет ли вам сложность курса, и успейте словить бонусную скидку.
276 067
📌 Dense Unsupervised Learning for Video Segmentation
Github: https://github.com/visinf/dense-ulearn-vos
Paper: https://openreview.net/pdf?id=i8kfkuiCJCI
Video: https://www.youtube.com/watch?v=BqVtZJSLOzg&ab_channel=VisualInference
Dataset: https://paperswithcode.com/dataset/davis-2017
@ai_machinelearning_big_data
276 067
🏡 AlphaGardenSim
The simulator implements a custom OpenAI gym reinforcement learning environment for this polyculture farming setup.
Github: https://github.com/berkeleyautomation/alphagarden
Paper: https://arxiv.org/abs/2111.06014v1
Project: https://rieff.jacksonchui.ai/
@ai_machinelearning_big_data
276 067
⚡️ Как обучить нейросеть объяснять себе задачу
Яндекс внедрил метод P-tuning для языковой модели YaLM, который проще традиционных подходов и требует меньше ресурсов. Хорошего качества с ним можно добиться, обучая всего 40 тысяч параметров из трех миллиардов — такая модель в итоге опережает даже тысячекратно более трудоемкие решения.
https://habr.com/ru/company/yandex/blog/588214/
276 067
👁🗨 OCR Post Correction for Endangered Language Texts
Github: https://github.com/shrutirij/ocr-post-correction
Paper: https://arxiv.org/abs/2111.02622v1
Docs: https://shrutirij.github.io/ocr-el/
@ai_machinelearning_big_data
276 067
Создайте свою первую нейросеть за 10 дней
Благодаря машинному обучению нам доступны чудеса вроде распознавания лиц, написания песен в стиле «Гражданской обороны» и картин в духе Рембрандта. Создать свою собственную нейросеть реально — и не только для опытных дата-сайентистов. Вы тоже можете попробовать.
На бесплатном курсе Нетологии «Искусственный интеллект: создайте свою первую нейросеть» вы узнаете, как устроены нейросети и в каких сферах они применяются, а также самостоятельно обучите до 4-х математических моделей. Мир Data Science и искусственного интеллекта — доступнее, чем кажется.
Убедитесь в этом сами ↓
https://netolo.gy/hdO
276 067
⚡️ Alias-Free Generative Adversarial Networks (StyleGAN3)
Github: https://github.com/pdillis/stylegan3-fun
Paper: https://arxiv.org/abs/2111.02175v1
Dataset: https://paperswithcode.com/dataset/ffhq
@ai_machinelearning_big_data
276 067
📏 OpenPrompt: An Open-source Framework for Prompt-learning
Github: https://github.com/thunlp/OpenPrompt
Paper: https://arxiv.org/abs/2111.01998v1
@ai_machinelearning_big_data
276 067
16 ноября⚡️INTERCOM’21⚡️ Ежегодная конференция о главных коммуникационных технологиях для бизнеса
В этом году INTERCOM объединит представителей крупного бизнеса и ведущих IT-компаний, чтобы обсудить, как искусственный интеллект и машинное обучение меняют глобальный бизнес-ландшафт. В программе: опыт таких ведущих компаний, как NVIDIA, Сбeр, Yandex GO, IDC, Битрикс24 и многих других, а также тренды и прогнозы.
Конференция пройдёт онлайн 💻
Регистрируйтесь, записывайте в свои календари и готовьтесь слушать крутые, интересные выступления и интервью!
Участие: бесплатное
Регистрация по ссылке: https://bit.ly/3mxeUiR
До встречи на INTERCOM’21 👋🏼
276 067
🎯 Bayes-Newton Methods for Approximate Bayesian Inference with PSD Guarantees
Github: https://github.com/AaltoML/BayesNewton
Paper: https://arxiv.org/abs/2111.01721v1
@ai_machinelearning_big_data
276 067
Что прямо сейчас происходит в российских компьютерных науках?
Канал «Русские норм!» поговорил с учеными из Яндекса и узнал, насколько хорошо нейросети рисуют логотипы и пишут шансон и какие нюансы нужно учесть, чтобы запустить беспилотники на улицы.
Чему сейчас учат искусственный интеллект?
Что такое графы и как их используют в современных приложениях?
Что мешает роботам ориентироваться в реальном мире и можем ли мы им помочь?
Актуальное о Machine Learning и нейросетях — смотрите в выпуске «Ученые норм!».
276 067
🖼 StudioGAN is a Pytorch library providing implementations of representative Generative Adversarial Networks (GANs) for conditional/unconditional image generation.
Github: https://github.com/POSTECH-CVLab/PyTorch-StudioGAN
Paper: https://arxiv.org/abs/2111.01118v1
Dataset: https://paperswithcode.com/dataset/cifar-10
@ai_machinelearning_big_data
