¡Ya disponible! Investigación de Telegram 2025 — los principales insights del año 
Machinelearning
Ir al canal en 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
Mostrar más📈 Análisis del canal de Telegram Machinelearning
El canal Machinelearning (@ai_machinelearning_big_data) en el segmento lingüístico de Ruso es un actor destacado. Actualmente la comunidad reúne a 293 602 suscriptores, ocupando la posición 326 en la categoría Tecnologías y Aplicaciones y el puesto 1 281 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 293 602 suscriptores.
Según los últimos datos del 02 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 464, y en las últimas 24 horas de -249, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.49%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.71% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 21 989 visualizaciones. En el primer día suele acumular 16 765 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 173.
- Intereses temáticos: El contenido se centra en temas clave como openai, claude, api, gemini, контекст.
📝 Descripción y política de contenido
El autor describe el recurso como un espacio para expresar opiniones subjetivas:
“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”
Gracias a la alta frecuencia de actualizaciones (últimos datos recibidos el 03 julio, 2026), el canal mantiene la vigencia y un amplio alcance. La analítica demuestra que la audiencia interactúa activamente con el contenido, lo que lo convierte en un punto de referencia dentro de la categoría Tecnologías y Aplicaciones.
293 602
Suscriptores
-24924 horas
-1 5267 días
-6 46430 días
Archivo de publicaciones
293 550
⭐ CelebA-Spoof: Large-Scale Face Anti-Spoofing Dataset with Rich Annotations
Github: https://github.com/Davidzhangyuanhan/CelebA-Spoof
Paper: https://arxiv.org/abs/2102.12642v2
Dataset: https://drive.google.com/drive/folders/1OW_1bawO79pRqdVEVmBzp8HSxdSwln_Z
Video: https://www.youtube.com/watch?v=A7XjSg5srvI&t=4s&ab_channel=YuanhanZhang
@ai_machinelearning_big_data
293 550
XLA: Optimizing Compiler for Machine Learning
Tensorflow: https://www.tensorflow.org/xla
XLA Architecture: https://www.tensorflow.org/xla/architecture
Github: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/compiler/xla
Code: https://www.tensorflow.org/xla/tutorials/jit_compile
@ai_machinelearning_big_data
293 550
Обучаете нейронки и работаете с Big Data?
Тогда у Яндекса для вас есть DataSphere — новая облачная среда для ML-разработки и анализа данных
🔥Почему ее стоит попробовать:
⏳ Не нужно торопиться из-за временных ограничений, ноутбуки там никуда не пропадают.
💸 Стартовый грант на 3 000 ₽ каждому новому пользователю. Его хватит, например, на 50+ часов вычислений с GPU.
🧾 Когда грант закончится — Pay as you Go — платите только за вычисления.
🖥 Отлично знакомый многим из нас интерфейс Jupyter Notebook и документация на русском.
☁️ Бессерверные технологии, благодаря которым ML становится значительно дешевле всего, что было раньше.
✅ Есть NVIDIA V100 в конфигурациях с одной и четырьмя картами, и можно бесшовно переключаться c CPU на GPU без потери прогресса.
В DataSphere можно работать одному и в командах, использовать для работы, учебы и личных проектов!
👉Начните бесплатно по ссылке: https://ya.cc/t/_x6MO5uYMCUBX
Любые вопросы задавайте ребятам в официальном чате DataSphere — продуктовая команда проекта оперативно там отвечает: https://t.me/yandex_datasphere
293 550
When Attention Meets Fast Recurrence: Training Language Models with Reduced Compute
Github: https://github.com/asappresearch/sru
Paper: https://arxiv.org/abs/2102.12459v1
Project: https://www.asapp.com/blog/reducing-the-high-cost-of-training-nlp-models-with-sru/
@ai_machinelearning_big_data
293 550
🚀 DALL-E Zero-Shot Text-to-Image Generation
Github: https://github.com/openai/DALL-E
Paper: https://arxiv.org/abs/2102.12092
OpenAi: https://openai.com/blog/dall-e/
@ai_machinelearning_big_data
293 550
🔥 Model Search by Google
Automatically build and deploy state-of-the-art machine learning models on structured data.
Github: https://github.com/google/model_search
Paper: https://pdfs.semanticscholar.org/1bca/d4cdfbc01fbb60a815660d034e561843d67a.pdf
Project: https://cloud.google.com/automl-tables
@ai_machinelearning_big_data
293 550
Unbiased Teacher for Semi-Supervised Object Detection
Github: https://github.com/facebookresearch/unbiased-teacher
Paper: https://arxiv.org/abs/2102.09480
Project: https://ycliu93.github.io/projects/unbiasedteacher.html
@ai_machinelearning_big_data
293 550
🕹 Mastering Atari with Discrete World Models
Github: https://github.com/danijar/dreamerv2
Google research: https://ai.googleblog.com/2021/02/mastering-atari-with-discrete-world.html
Paper: https://arxiv.org/abs/2010.02193
@ai_machinelearning_big_data
293 550
💻 Как быстро вырасти до миддл-аналитика?
На курсе "Python для анализа данных" от Skyeng за 2 месяца вы научитесь решать типовые задачи аналитики данных быстро и изящно с помощью самого популярного в мире языка программирования.
Получить бесплатную консультацию и записаться на курс со скидкой 50%👇🏻
https://go.skyeng.ru/t.me_zen_of_python
Остались вопросы - пишите на @SkySkillsbot
293 550
📍TransGAN: Two Transformers Can Make One Strong GAN
Github: https://github.com/VITA-Group/TransGAN
Paper: https://arxiv.org/abs/2102.07074
@ai_machinelearning_big_data
293 550
💪 These Neural Networks Have Superpowers!
Github: https://github.com/CompVis/taming-transformers
Taming Transformers for High-Resolution Image Synthesis: https://compvis.github.io/taming-transformers/
Paper: https://arxiv.org/abs/2012.09841
Video: https://www.youtube.com/watch?v=o7dqGcLDf0A&ab_channel=TwoMinutePapers
@ai_machinelearning_big_data
293 550
Задача для всех, кто в теме AR/VR технологий
Создай решение с трехмерным виртуальным ассистентом экосистемы Сбера на онлайн-хакатоне. 15 команд в финале в рамках трека сразятся за призовой фонд 250 тысяч рублей.
Подать заявку и узнать больше деталей о задаче можно на сайте sbercode.tech/arvr-lab/
293 550
👁 18 All-Time Classic Open Source Computer Vision Projects for Beginners
https://www.analyticsvidhya.com/blog/2020/09/18-open-source-computer-vision-projects-beginners/
@ai_machinelearning_big_data
293 550
Если разработчик знаком со структурами данных и алгоритмами, ему проще стать инженером. Алгоритмическая подготовка — это умение быстро думать и писать работающий код.
За 4 месяца вы напишете много кода, научитесь оценивать эффективность решений, потренируетесь на практических заданиях и пройдёте учебное собеседование.
Вас ждёт:
- Бесплатная вступительная часть. Решите задачи и проверьте свои знания.
- Полноценный тренажёр от Яндекс.Практикума. Вся теория в собственной среде для обучения.
- Практика на Яндекс.Контесте — специальной платформе для проверки алгоритмических задач.
- Поддержка наставников и код-ревьюеров.
- Программа профессиональной акселерации и помощь с трудоустройством.
Узнайте больше на сайте. Начните, а мы поддержим!
https://praktikum.yandex.ru/algorithms/
293 550
🧪 Alchemy: A structured task distribution for meta-reinforcement learning
Deepmind: https://deepmind.com/research/publications/alchemy
Github: https://github.com/deepmind/dm_alchemy
Paper: https://arxiv.org/abs/2102.02926
@ai_machinelearning_big_data
293 550
🚀 High-Performance Large-Scale Image Recognition Without Normalization
Github: https://github.com/deepmind/deepmind-research/tree/master/nfnets
Paper: https://arxiv.org/abs/2102.06171v1
@ai_machinelearning_big_data
293 550
🔊 Deep Perceptual Audio Metric (DPAM)
Github : https://github.com/pranaymanocha/PerceptualAudio
Paper: https://arxiv.org/abs/2102.05109v1
Website: https://pixl.cs.princeton.edu/pubs/Manocha_2021_CCL/index.php
Video: https://www.youtube.com/watch?v=yOceeut_4Gg&ab_channel=PranayManocha
@ai_machinelearning_big_data
293 550
Internet of things (IoT) — то самое будущее, которое «уже здесь». Умные гаджеты захватили не только наше воображение, но и реальность. Они контролируют домашний микроклимат, регулируют освещение, делают уборку, экономят воду и электричество. Специалисты, которые разрабатывают такие системы, нужны многим компаниям и стартапам.
Если хотите стать востребованным профессионалом в перспективной IT-сфере — приходите на курс «Интернет вещей» от GeekBrains. Научитесь работать в Git и Linux, кодить на языке программирования С, разбираться в архитектурах микроконтроллеров. Минимум теории — максимум практики. Скучно точно не будет.
Первые 6 месяцев учеба бесплатная. В подарок — купон на покупку рабочего оборудования.
Подробнее о курсе
293 550
🎨 Colorization Transformer by Google
💻 Github: https://github.com/google-research/google-research/tree/master/coltran
📝 Paper: https://arxiv.org/abs/2102.04432v1
🌐 Pre-trained model: https://console.cloud.google.com/storage/browser/gresearch/coltran;tab=objects?pli=1&prefix=&forceOnObjectsSortingFiltering=false
@ai_machinelearning_big_data
