Available now! Telegram Research 2025 — the year's key insights 
Machine learning Interview
Open in Telegram
ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно! Вопросы - @workakkk РКН: clck.ru/3FmwRz
Show more📈 Analytical overview of Telegram channel Machine learning Interview
Channel Machine learning Interview (@machinelearning_interview) in the Russian language segment is an active participant. Currently, the community unites 30 035 subscribers, ranking 4 579 in the Technologies & Applications category and 21 921 in the Russia region.
📊 Audience metrics and dynamics
Since its creation on невідомо, the project has demonstrated rapid growth, gathering an audience of 30 035 subscribers.
According to the latest data from 13 June, 2026, the channel demonstrates stable activity. Although there has been a change in the number of participants by 40 over the last 30 days and by 8 over the last 24 hours, overall reach remains high.
- Verification status: Not verified
- Engagement rate (ER): The average audience engagement rate is 21.14%. Within the first 24 hours after publication, content typically collects 7.35% reactions from the total number of subscribers.
- Post reach: On average, each post receives 6 350 views. Within the first day, a publication typically gains 2 208 views.
- Reactions and interaction: The audience actively supports content: the average number of reactions per post is 40.
- Thematic interests: Content is focused on key topics such as claude, llm, контекст, hermes, nvidia.
📝 Description and content policy
The author describes the resource as a platform for expressing subjective opinions:
“ИИ, Rust, вайбкодинг, Data Science, Deep Learning и делюсь тем, что интересно и полезно!
Вопросы - @workakkk
РКН: clck.ru/3FmwRz”
Thanks to the high frequency of updates (latest data received on 14 June, 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.
30 035
Subscribers
+824 hours
-77 days
+4030 days
Posts Archive
+4
⚡️ Погружение в Deep Learning — лекции и видеозаписи Мюнхенского университета
Это серия из 23 лекций по Deep Learning, к каждой лекции прилагается запись на YouTube и pdf с подробным описанием + практические задания
Курс раскрывает такие темы Deep Learning и ML как:
— свёрточные нейросети (CNN) и популярные архитектуры
— настройка гиперпараметров
— рекуррентные нейросети (RNN) и трансформеры
— NLP и работа с текстом
— а также много других тем + 22 практических задания
🟡 Introduction to Deep Learning
@machinelearning_interview
Стратегический шаг для ИИ
В последние годы ИИ стал одной из самых быстроразвивающихся и востребованных областей. Применение ИИ охватывает широкий спектр отраслей – от здравоохранения до финансов, от транспорта до образования. Спрос на специалистов по ИИ продолжает расти, и этот тренд только усиливается. В 2024 году наличие глубоких знаний в этой области станет вашим ключевым преимуществом.
Аспирантура Яндекса, НИУ ВШЭ и ИТМО предоставит доступ к передовым исследованиям и разработкам. Одним из ключевых преимуществ программы является практикоориентированность. Это не теоретические упражнения, а настоящие задачи, которые решаются в рамках компании. Такой опыт чрезвычайно ценен, поскольку он помогает вам понять, как ваши разработки и исследования могут быть использованы для решения конкретных проблем и создания инновационных решений.
Подробнее тут.
#Яндекс #ИИ #Аспирантура #Образование #Наука #Технологии #ИТМО #НИУВШЭ
@machinelearning_interview
+2
⚡️ Разработка Яндекса, которая позволит внедрять объёмные языковые модели в смартфоны или умные колонки
Яндекс выложил в опенсорс новые методы сжатия языковых моделей, с помощью которых размер нейросети можно уменьшить до 8 раз. Качество ответов при этом сохраняется на 95%, а уменьшенные с помощью алгоритмов модели могут работать до четырёх раз быстрее, поскольку требуют проводить меньше вычислений.
🟡Статья
@machinelearning_interview
+4
📌 Открытый курс по ML с видео и лекциями от Амстердамского университета
Этот курс покрывает множество тем ML, вот некоторые из них:
— Gaussian Mixture Models
— PCA (Principal Component Analysis)
— SVM (Support Vector Machines)
— Bootstrapping, Feature Bagging
К каждой теме приводится pdf с основными формулами и видео с подробным объяснением, в целом очень годный курс
🟡 Machine Learning (UvA)
@machinelearning_interview
Станьте профессионалом в области Data Science и машинного обучения в магистратуре от Центрального университета!
Центральный университет — современный вуз, созданный при поддержке ведущих компаний России: Т-Банка, Авито и других.
Получите диплом магистра в области математики и компьютерных наук и обучайтесь на основе реальных кейсов ведущих ИТ-компаний у профессоров из МГУ, МФТИ, РЭШ и практиков из индустрии. Хорошая новость для тех, кто уже имеет опыт в Data Science и машинном обучении — вы можете пропустить базовое обучение и закончить магистратуру за 3 семестра.
У каждого студента будет:
-личный ментор по траектории обучения;
-доступ к карьерному центру с коучами и консультантами;
-опыт работы в проектах партнеров уже во время обучения.
Участвуйте в онлайн-отборе, чтобы выиграть грант на обучение до 1,2 млн рублей. Больше подробностей про университет и конкурс грантов по ссылке!
erid:2VtzqvmW7GE
Реклама, АНО ВО «Центральный университет», ИНН 7743418023
+3
📌Подборка полезных ресурсов для изучения ML и для подготовки к собеседованию
Здесь приводится много ссылок на ресурсы, которые объясняют основы Computer Science, матанализ и линейную алгебру, теорию вероятностей и статистику.
Плюс затрагиваются такие темы как:
— классическое ML
— байесовское ML
— Deep Learning
— NLP
— Reinforcement Learning
— применение ML, в частности в биологии и медицине
Почти все практические примеры связаны с Python и R
🟡 ML resources
@machinelearning_interview
ML: с чего начинается Data Science?
Приглашаем на открытый урок, где вы узнаете про область ML, которая лежит в основе Data Science и AI сегодня.
🔹Расскажем, чем оно отличается от классического программирования и какие в ML существуют типы задач.
✅ Практика: Решите первую задачу ML на языке Python
В результате урока вы обучите свою первую модель машинного обучения для решения задачи классификации рукописных цифр
Урок приурочен курсу «Специализация Machine Learning» от Otus.
👉 Регистрация и подробности:
https://otus.pw/SUcb/?erid=LjN8Jx11E
+2
🌟 Мощный учебник по использованию Julia в ML и Deep Learning
Здесь приведено много практических примеров, таких как реализация LSTM, реализация классического перцептрона, использование линейной/логистической регрессии и много других примеров.
Показывается, как работать с последовательностями, как корректно обрабатывать файлы, как использовать GPU.
Отличный материал, если планируете использовать Julia в работе
🟡 Deep Learning with Julia
@machinelearning_interview
Инфраструктура для ML и AI задач
Кластеры Kubernetes отлично подходят для запуска ML-проектов в продакшене. С их помощью можно изолировать проведение разных экспериментов, автоматизировать их запуск и управление, а также быстро масштабировать ресурсы под нагрузкой. Добавление нод с GPU в такие кластеры ускорит обучение ML-моделей и повысит их производительность в продакшене.
В сервисе Managed Kubernetes от Selectel, как раз есть все необходимое для работы с ML-проектами:
▪️ Большой запас видеокарт под любую задачу в наличии: NVIDIA А2, А30, А100, А2000, А5000, Tesla Т4, GTX 1080, GTX 2080
▪️ Отказоустойчивость и автомасштабирование нод c GPU. В зависимости от нагрузки Kubernetes автоматически создаст или удалит ноды в группе.
▪️ Простая настройка драйверов на GPU-нодах кластера. Используйте предустановленные драйверы или самостоятельно установите нужные с помощью GPU Operator
А сейчас новые клиенты Managed Kubernetes c GPU могут получить 100% кешбэк за первый месяц использования сервиса.
Развернуть свой ML-проект в кластерах Kubernetes c GPU и получить кешбэк можно по ссылке: https://slc.tl/hlh7k
Реклама АО «Селектел». ИНН: 7810962785
Erid: 2Vtzqvye82N
+2
📌 Applied Statistics with R — свободная книга для аналитиков, ML-инженеров и специалистов по DS
Здесь подробно объясняется линейная и логистическая регрессия и как работать с ними в R, описываются параметры данных такие как гомоскедастичность, гетероскедастичность и т.д.
Приведено много формул, при этом всё детально объясняется
🟡 Applied Statistics with R
@machinelearning_interview
+4
📌 Открытый курс по ML с видео и лекциями от Амстердамского университета
Этот курс покрывает множество тем ML, вот некоторые из них:
— Gaussian Mixture Models
— PCA (Principal Component Analysis)
— SVM (Support Vector Machines)
— Bootstrapping, Feature Bagging
К каждой теме приводится pdf с основными формулами и видео с подробным объяснением, в целом очень годный курс
🟡 Machine Learning (UvA)
@machinelearning_interview
Совмещайте очную магистратуру и работу комфортно
Яндекс Практикум и РАНХиГС открывают набор на онлайн-программу «Data Science в экономике»:
— учёба полностью онлайн, включая сессии;
— очное обучение с дипломом РАНХиГС и всеми льготами;
— фундаментальные знания от Института ЭМИТ РАНХиГС, который находится на 5-м месте в рейтинге SuperJob по уровню зарплат выпускников;
— практический опыт экспертов Яндекса.
Оплатить учёбу можно разными способами: всю сумму сразу, по семестрам или с помощью госкредита — тогда ежемесячный платёж составит от 500 ₽, а государство погасит часть кредита за вас.
→ Узнать подробности и подать заявку
Реклама. ООО «Яндекс» ИНН 7736207543
+1
🌟 Подборка Colab'ов с реализацией ML-алгоритмов, связанных с обработкой изображений
Если конкретно, здесь реализованы алгоритмы удаления фона изображения, апскейлинга, сегментирования, алгоритмы распознавания частей лица и т.д.
🟡 Google Colab'ы с кодом
@machinelearning_interview
🌟Лекции про большие языковые модели и NLP от экспертов магистратуры AI Talent Hub.
• Безопасность LLM – Евгений Кокуйкин
• Краткая история NLP – Валентин Малых
• State of the LLM Landscape – Игорь Котенков
• Как выбрать языковую модель – Татьяна Шаврина
•AGI: Multi-Agent LLM for anything – Илья Макаров
▶️ Набор на 200 бюджетных мест в онлайн-магистратуру «Искусственный Интеллект» — AI Talent Hub, продолжается
В новом учебном году впервые набираем >> LLM-трек
Подай заявку* и учись бесплатно в проектной онлайн-магистратуре по ИИ от ИТМО х Napoleon IT
*для участия в конкурсе на бюджетные места, рекомендуется подать заявку до 22 июля на ai.itmo.ru
Реклама. Университет ИТМО ИНН:7813045547 erid:2Vfnxvr1n24
+3
🌟 Репозиторий с основной теорией по Data Science и Machine Learning
Здесь конспективно приводится самая основная информация с формулами и графиками, в частности говорится о таких понятиях:
— наивный Байесовский классификатор
— метод XGBoost
— кластеризация/классификация
— метод случайного леса
— обучение нейросети, признаки переобучения
— и также затрагивается множество других тем/алгоритмов
Неплохой репозиторий, чтобы полистать перед собеседованием
🖥 GitHub
@machinelearning_interview
+1
🌟 Основные методы рекомендательной системы — подробный блокнот Kaggle
Этот блокнот Kaggle — практическое введение в основные методы рекомендательных систем.
В частности, здесь рассматриваются такие методы как:
— коллаборативная фильтрация: этот метод делает автоматические прогнозы (фильтрацию) об интересах пользователя, собирая информацию о предпочтениях или вкусах других пользователей (похожих на данного). В основе такого подхода лежит предположение: если человек A выбирает те же товары, что и человек B, то вероятность того, что A будет придерживаться мнения B по данному товару, выше, чем вероятность, что мнение А совпадёт с мнением случайного человека
— фильтрация на основе содержимого: этот метод использует для моделирования предпочтений пользователя только информацию об описании и атрибутах товаров, которые он ранее употреблял. То есть, такие алгоритмы пытаются рекомендовать товары, похожие на те, которые нравились пользователю в прошлом
— гибридные методы, сочетающие коллаборативную фильтрацию и фильтрацию на основе контента
🟡 Блокнот Kaggle с пошаговой реализацией
@machinelearning_interview
❓Как понять, что последний эксперимент дает лучшие результаты?
Часто при решении ML задачи нам приходится тестировать десятки моделей в десятках конфигурация гиперпараметров.
Как не запутаться в этой куче параметров и выбрать лучшую модель? - нам поможет замечательный инструмент мониторинга экспериментов MLFlow.
✅ MLFlow один из самых популярных инструментов который позволит зафиксировать все параметры, запишет кривые обучения и запомнит все метрики для каждого эксперимента.
Регистрируйтесь на открытый урок от Otus и изучите на практике ключевой инструмент ML инженера
Вы узнаете, как реализовать развернуть и настроить MLFlow локально и в облачной среде, как добавить в свой код логирование параметров экспериментов и как сохранить ваши обученные модели в реестр моделей для их дальнейшего переиспользования на основе полученных метрик.
👉 Регистрация и подробности:
https://otus.pw/r9NJ/?erid=LjN8KAgfM
+2
📌 Applied Statistics with R — отличная книга для аналитиков, ML-инженеров и специалистов по DS
Здесь подробно объясняется линейная и логистическая регрессия и как работать с ними в R, описываются параметры данных такие как гомоскедастичность, гетероскедастичность и т.д.
Приведено много формул, при этом всё детально объясняется
🟡 Applied Statistics with R
@machinelearning_interview
25 июля, 16:00
Как построить MLOps-конвейер для CV-проекта в облаке
Коллеги из @Selectel и Neoflex проводят совместный вебинар, где обсудят особенности запуска в продакшен ML-проектов. Разберут вопрос с разных сторон: с точки зрения провайдера инфраструктуры для ML, MLOps-инженера и Data Scientist. Покажут демо, как развернуть и задеплоить CV-проект в облаке Selectel на платформе Neoflex Dognauts. Расскажут, как подобрать инфраструктуру для вашего проекта и обеспечить безопасность CV в облаке.
Мероприятие бесплатное. Задайте вопрос в форме регистрации, и мы ответим на него во время трансляции.
Посмотреть программу вебинара и зарегистрироваться можно по ссылке: https://slc.tl/lstk6
Реклама АО «Селектел». ИНН: 7810962785
Erid: 2VtzqxgL5BP
+2
📌Deep Learning на практике
Очень полезный практический учебник/туториал по Deep Learning;
каждый раздел подробно объясняет, что происходит в конкретном Jupyter Notebook'е
Вот некоторые из затрагиваемых тем:
— NLP и работа с текстом
— классификация изображений
— распознавание (начиная с классического MNIST и до более сложных примеров)
🟡 Deep Learning на практике
🖥 Ноутбуки на GitHub
@machinelearning_interview
