¡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 293 879 suscriptores, ocupando la posición 327 en la categoría Tecnologías y Aplicaciones y el puesto 1 276 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 293 879 suscriptores.
Según los últimos datos del 01 julio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 444, y en las últimas 24 horas de -235, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.55%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.55% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 22 202 visualizaciones. En el primer día suele acumular 16 311 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 172.
- 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 02 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.
293 879
Suscriptores
-23524 horas
-1 5517 días
-6 44430 días
Archivo de publicaciones
293 877
💥 A Single Correspondence Is Enough: Robust Global Registration to Avoid Degeneracy in Urban Environments
Github: https://github.com/url-kaist/quatro
Video: http://jiataogu.me/style_nerf
Paper: https://arxiv.org/abs/2203.06612v1
Dataset: https://paperswithcode.com/dataset/kitti
@ai_machinelearning_big_data
293 877
Внезапно OK выкатили нейроночку, которая будет чистить комментарии от агрессии и токсичности. Алгоритм будет удалять все призывы к разжиганию ненависти к любой нации. Нейронка будет проверять и текст, и изображения.
А всем, кто не успокаивается, дадут «отдохнуть». Запретят оставлять комменты на время и покажут ссылку на правила поведения.
Борьба с токсичностью, какой она должна быть.
293 877
🗿 StyleNeRF: A Style-based 3D-Aware Generator for High-resolution Image Synthesis
Github: https://github.com/facebookresearch/StyleNeRF
Video: http://jiataogu.me/style_nerf
Paper: https://arxiv.org/abs/2110.08985
Project: http://jiataogu.me/style_nerf/
Dataset: https://github.com/facebookresearch/StyleNeRF#dataset
@ai_machinelearning_big_data
293 877
♟ Probabilistic Warp Consistency for Weakly-Supervised Semantic Correspondences
Github: https://github.com/PruneTruong/DenseMatching
Paper: https://arxiv.org/abs/2203.04279v1
Project: https://prunetruong.com/research/warpc
Dataset: https://paperswithcode.com/dataset/pf-pascal
@ai_machinelearning_big_data
293 877
Расскажем про старт карьеры в инженерии данных и что делать, чтобы получить новую профессию.
Для кого:
-Аналитиков
-Разработчиков
-Начинающих инженеров данных
11 марта в 19.00 по мск
Зарегистрироваться по ссылке
293 877
🔲 Kubric A data generation pipeline for creating semi-realistic synthetic multi-object videos
Github: https://github.com/google-research/kubric
Paper: https://arxiv.org/abs/2203.03570v1
Docs: https://kubric.readthedocs.io/
Dataset: https://github.com/deepmind/multi_object_datasets
@ai_machinelearning_big_data
293 877
🎓 StyleSDF: High-Resolution 3D-Consistent Image and Geometry Generation
Github: https://github.com/royorel/StyleSDF
Paper: https://arxiv.org/abs/2112.11427v1
Project: https://stylesdf.github.io/
Dataset: https://paperswithcode.com/dataset/ffhq
@ai_machinelearning_big_data
293 877
Как выявлять аномалии в разных распределениях с помощью машинного обучения? 🧐
10 марта в 20:00 (мск) пройдет открытый вебинар «Anomaly Detection». Его проведет Артем Васильев, ведущий инженер разработки. С экспертом мы обсудим такие вопросы, как постановка задачи, нахождение аномалий в разных распределениях, SVD-feature extraction, Autoencoder, PaDiM.
🔥 Продолжить получать новые знания вы можете на онлайн-курсе «Компьютерное зрение» для специалистов в сфере Machine Learning, которые хотят специализироваться на компьютерном зрении или систематизировать свои знания.
Чтобы участвовать, зарегистрируйтесь 👉 https://otus.pw/lJwn/
293 877
⚫️ Beyond 3D Siamese Tracking: A Motion-Centric Paradigm for 3D Single Object Tracking in Point Clouds
Github: https://github.com/ghostish/open3dsot
Paper: https://arxiv.org/abs/2203.01730v1
Dataset: https://paperswithcode.com/dataset/kitti
@ai_machinelearning_big_data
293 877
Hello everyone. My name is Andrew and for several years I've been working on to make the learning path for ML
easier.
I wrote a manual on machine learning that
everyone understands - Machine Learning Simplified Book. The main purpose of my book is to build an intuitive
understanding of how algorithms work through basic examples. In order to understand the presented material,
it is enough to know basic mathematics and linear algebra.
After reading this book, you will know the basics of supervised learning, understand complex mathematical models, understand the entire pipeline of a typical ML project, and also be able to share your knowledge with colleagues from related industries and with technical
professionals.
And for those who find the theoretical part not enough - I supplemented the book with a repository on GitHub,
which has Python implementation of every method and algorithm that I describe in each chapter.
You can read the book absolutely free at the link below:
-> https://themlsbook.com
I’ve also started my Instagram page - feel free to subscribe! it’s mostly in Russian but I’ll be posting in English too.
-> https://instagram.com/5x12
293 877
🎲 Bayesian IRT models in Python
Github: https://github.com/nd-ball/py-irt
Paper: https://arxiv.org/abs/2203.01282v1
Bayesian IRT: https://m-clark.github.io/models-by-example/bayesian-irt.html
@ai_machinelearning_big_data
293 877
Яндекс.Практикум — это сервис онлайн-образования, доступный в России и Америке. Мы помогаем людям расти — на работе и в жизни.
Если у вас есть знания и опыт в области Data Engineering — вы можете стать ревьюером, который проверяет, оценивает и комментирует самостоятельные работы студентов.
Что делает ревьюер?
Студенты учатся с помощью онлайн-тренажёра, а также выполняют самостоятельные работы, которые проверяет, оценивает и комментирует команда специалистов. Роль ревьюера в этом процессе очень важна: он проверяет задания студента и даёт обратную связь. Именно ревьюер решает: зачесть задание или нет. Также он даёт советы по улучшению задания, отмечает неточности, указывает на ошибки.
Я хочу стать ревьюером. Меня возьмут?
Скорее всего — да, если вы:
— имеете опыт работы инженером данных, data scientist или аналитиком данных;
— умеете работать с SQL, Python, AirFlow, Spark;
— умеете доступно объяснять сложные вещи и оценивать чужую работу;
— готовы посвящать проекту от 10 часов в неделю;
Будет плюсом
— Опыт работы с Grafana / MongoDB / ClickHouse / ElasticSearch / LogStash / — Kibana / HDFS / Kafka / Greenplum.
Я подхожу. Что вы можете мне предложить?
— удаленную работу с частичной занятостью, объём работы определяется индивидуально;
— оклад 600 - 1 000 рублей за проверку одной работы;
— обучение развивающей коммуникации и грамотному подходу к проверке проектов;
— постоянную практику и углубление знаний;
— возможность стать частью сообщества аналитиков, делающих образование качественным и доступным;
— возможность помочь начинающим специалистам усвоить важные базовые вещи и поверить в себя.
Откликнуться по ссылке
Контакты: ТГ @HelenaTrishkina, trishkina-ev@yandex-team.ru"
293 877
💥 Local and Global GANs with Semantic-Aware Upsampling for Image Generation
Github: https://github.com/Ha0Tang/LGGAN
Paper: https://arxiv.org/abs/2203.00047v1
Dataset: https://paperswithcode.com/dataset/cityscapes
@ai_machinelearning_big_data
293 877
🔥 Быстрая проверка гипотез — это одна из главных стратегий, способных сделать стартап успешным. Она позволяет чаще получать обратную связь от инвесторов за счет возможности быстро разрабатывать простые прототипы сервисов, частично реализующих функционал проекта.
👉 Как быстро прототипировать сервисы, использующие глубокое обучение?
📌 В OTUS, 24 марта в 20:00 (мск), в рамках онлайн-курса «MLOps» состоится бесплатный вебинар для тех, кто занимается машинным обучением. На занятии с практикующем преподавателем мы рассмотрим полный цикл разработки прототипа ML-сервиса, начиная от обучения модели на собранном датасете, заканчивая развертыванием его в виде web-приложения.
✅ Чтобы зарегистрироваться на встречу, пройдите вступительный тест - https://otus.pw/fnPp/
293 877
👁 Visual Attention Network (VAN)
Github: https://github.com/Visual-Attention-Network/VAN-Classification
Paper: https://arxiv.org/pdf/2202.09741.pdf
Dataset: https://paperswithcode.com/dataset/ade20k
@ai_machinelearning_big_data
293 877
☑️ One-shot Affordance Detection
Github: https://github.com/lhc1224/OSAD_Net
Paper: https://arxiv.org/abs/2202.12076v1
Dataset: https://paperswithcode.com/dataset/pad
@ai_machinelearning_big_data
293 877
🔥 The Complete Collection of Data Science Cheat Sheets
https://www.kdnuggets.com/2022/02/complete-collection-data-science-cheat-sheets-part-2.html
@ai_machinelearning_big_data
293 877
Coverage-Guided Tensor Compiler Fuzzing with Joint IR-Pass Mutation
Github: https://github.com/tzer-anonbot/tzer
Docs: https://tzer.readthedocs.io/en/latest/markdown/artifact.html
Paper: https://arxiv.org/abs/2202.09947v1
@ai_machinelearning_big_data
293 877
Как выявлять аномалии в разных распределениях с помощью машинного обучения? 🧐
10 марта в 20:00 (мск) пройдет открытый вебинар «Anomaly Detection». Его проведет Артем Васильев, ведущий инженер разработки. С экспертом мы обсудим такие вопросы, как постановка задачи, нахождение аномалий в разных распределениях, SVD-feature extraction, Autoencoder, PaDiM.
🔥 Продолжить получать новые знания вы можете на онлайн-курсе «Компьютерное зрение» для специалистов в сфере Machine Learning, которые хотят специализироваться на компьютерном зрении или систематизировать свои знания.
Чтобы участвовать, зарегистрируйтесь 👉 https://otus.pw/uoaT/
293 877
💻 Instant Neural Graphics Primitives with a Multiresolution Hash Encoding
Github: https://github.com/nvlabs/instant-ngp
HashNeRF-pytorch: https://openvinotoolkit.github.io/anomalib/
Paper: https://arxiv.org/abs/2201.05989v1
@ai_machinelearning_big_data
