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 276 666 suscriptores, ocupando la posición 335 en la categoría Tecnologías y Aplicaciones y el puesto 1 376 en la región Rusia.
📊 Métricas de audiencia y dinámica
Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 276 666 suscriptores.
Según los últimos datos del 02 noviembre, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -1 749, y en las últimas 24 horas de -93, conservando un alto alcance.
- Estado de verificación: No verificado
- Tasa de interacción (ER): El promedio de interacción de la audiencia es 8.35%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 6.08% de reacciones respecto al total de suscriptores.
- Alcance de las publicaciones: Cada publicación recibe en promedio 23 103 visualizaciones. En el primer día suele acumular 16 836 visualizaciones.
- Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 359.
- 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 noviembre, 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.
276 666
Suscriptores
-9324 horas
-7807 días
-1 74930 días
Archivo de publicaciones
276 586
🖥 Awesome Chatgpt
Awesome list for ChatGPT — an artificial intelligence chatbot
Awesome список для ChatGPT.
🖥 Github: https://github.com/sindresorhus/awesome-chatgpt
💨 Examples: https://github.com/xiaowuc2/ChatGPT-Python-Applications
✅️ QuickGPT: https://sindresorhus.gumroad.com/l/quickgpt
ai_machinelearning_big_data
276 586
Имеете опыт в машинном обучении, но хотите двигаться ещё дальше?
Специально для вас Валерий Бабушкин, Vice President, Data Science в Blockchainꓸcom, вместе с командой опытных специалистов из Яндекса, AliExpress и X5 Retail Group подготовил продвинутый курс, на котором вам предстоит решать сложные и нестандартные задачи бизнеса.
Ранжирование и матчинг, динамическое ценообразование, uplift-моделирование, ускорение и повышение чувствительности A/B-тестов — выбирайте нужные блоки или проходите курс целиком.
Если вы уже сталкивались с чем-то из этого в своей работе, то познакомитесь с best practices индустрии. А если нет — дополните своё резюме новыми кейсами и станете более разносторонним ML-специалистом.
Ждём вас на курсе! Следующий поток стартует уже 10 мая, а по промокоду HARDMLAI26 будет скидка 5%
Записывайтесь по ссылке
276 586
TaskPrompter: Spatial-Channel Multi-Task Prompting for Dense Scene Understanding
Novel spatial-channel multi-task prompting transformer framework to achieve this target.
Две мощные модели многозадачных трансформаторов для пониманияк контекста на видео.
🖥 Github: https://github.com/prismformore/multi-task-transformer
⏩ Paper: https://openreview.net/forum?id=-CwPopPJda
📌 Dataset: https://paperswithcode.com/dataset/cityscapes-3d
ai_machinelearning_big_data
276 586
Running IF with 🧨 diffusers on a Free Tier Google Colab
IF is better at generating images with high-frequency details (e.g., human faces and hands) and is the first open-source image generation model that can reliably generate images with text.
Инструкция, как запустить одну из самых мощных моделей преобразования текста в изображение с открытым исходным кодом IF на бесплатном Google Colab.
🤗 Hugging face: https://huggingface.co/blog/if
🖥 Github: https://github.com/deep-floyd/IF
⏩ Paper: https://arxiv.org/pdf/2205.11487.pdf
📌 Demo:https://huggingface.co/spaces/DeepFloyd/IF
ai_machinelearning_big_data
276 586
🖌 Edit Everything: A Text-Guided Generative System for Images Editing
A text-guided generative system without any finetuning (zero-shot).
Edit Everything позволяет пользователям редактировать изображения с помощью простых текстовых инструкций.
🖥 Github: https://github.com/defengxie/edit_everything
⏩ Paper: https://arxiv.org/abs/2304.14006v1
🚀 Dataset: https://paperswithcode.com/dataset/wukong
ai_machinelearning_big_data
276 586
🔍 Unleashing Infinite-Length Input Capacity for Large-scale Language Models with Self-Controlled Memory System
Self-Controlled Memory (SCM) system to unleash infinite-length input capacity for large-scale language models.
SCM может быть интегрирована с любыми LLM для обработки сверхдлинных текстов без каких-либо изменений или тонкой настройки.
🖥 Github: https://github.com/wbbeyourself/scm4llms
⏩ Paper: https://arxiv.org/abs/2304.13343v1
📌 Tasks: https://paperswithcode.com/task/language-modelling
ai_machinelearning_big_data
276 586
Как не забывать теорию Deep Learning и учить новое?
Можно подписаться на канал DeepSchool. В нем вы найдете
- короткие посты с теорией;
- разборы статей;
- советы по обучению сетей;
- вопросы с собеседований;
- и обзоры фреймворков.
1. Обзор ключевых идей MobileNet — что делает эту архитектуру столь эффективной
2. Инструкция: как ускорить разметку изображений при помощи CVAT и FiftyOne
3. Что такое attention
4. Об асинхронности вычислений на GPU
5. Вопрос с собеседования на дообучение сегментационной модели
Подписывайтесь, чтобы не забывать теорию Deep Learning и учить новое :)
276 586
🔊 AudioGPT: Understanding and Generating Speech, Music, Sound, and Talking Head
Multi-modal AI system named AudioGPT, which complements LLMs (i.e., ChatGPT) with 1) foundation models to process complex audio information and solve numerous understanding and generation tasks
AudioGPT: Генерирование речи, музыки, звука и говорящих аватаров.
🖥 Github: https://github.com/aigc-audio/audiogpt
⏩ Paper: https://arxiv.org/abs/2304.12995v1
🤗 Hugging face: https://huggingface.co/spaces/AIGC-Audio/AudioGPT
📌 Dataset: https://paperswithcode.com/dataset/c4
ai_machinelearning_big_data
276 586
Как можно использовать ChatGPT в IT-менеджменте
Можно ли менеджеру спрашивать совета у ChatGPT? Можно ли проводить или проходить собеседования с помощью искусственного интеллекта? Как использовать нейросеть в управлении бизнесом?
Ведущие подкаста «Для tech и этих» вместе с директором по анализу больших данных в СберМаркете рассказали, как и для чего можно использовать ChatGPT менеджерам и инженерам. Слушайте выпуск по ссылке: bit.ly/41VpORi
276 586
Track anything
Project developed upon Segment Anything, can specify anything to track and segment via user clicks only.
Track-Anything - это гибкий и интерактивный инструмент для отслеживания и сегментации видео.
🖥 Github: https://github.com/gaomingqi/track-anything
⏩ Paper: https://arxiv.org/abs/2304.11968v1
🤗 Hugging face: https://huggingface.co/spaces/watchtowerss/Track-Anything
📌 Dataset: https://paperswithcode.com/dataset/davis-2017
ai_machinelearning_big_data
276 586
ChatGPT: создаем ИИ без единой строчки кода
Бесплатно покажем, как создать нейросеть полностью только запросами к ChatGPT! Без единой строчки кода написанной руками!
Получи запись прямо сейчас!
☝А еще у нас крутые интенсивы на которых ученики пишут собственные нейронки без опыта программирования - это тоже Бесплатно
276 586
Collaborative Diffusion for Multi-Modal Face Generation and Editing
Multi-modal controls, framework synthesizes high-quality images consistent with the input conditions.
Проект, который позволяет использовать несколько модальностей для управления созданием и редактированием лица.
🖥 Github: https://github.com/ziqihuangg/collaborative-diffusion
⏩ Project: https://ziqihuangg.github.io/projects/collaborative-diffusion.html
⏩ Paper: https://arxiv.org/abs/2304.10530v1
⭐️ Dataset: https://paperswithcode.com/dataset/celeba-dialog
ai_machinelearning_big_data
276 586
📌 Как Airflow и k8s помогают строить эффективный конвейер?
📆 Узнайте 27 апреля в 20:00 на открытом уроке в OTUS. Вебинар приурочен к старту онлайн-курса «MLOps».
⚠️ На этом занятии мы построим свой конвейер обучения моделей на Airflow и k8s.
➡️ Для участия нужно зарегистрироваться:
https://otus.pw/M29e/
Нативная интеграция. Информация о продукте www.otus.ru276 586
Count anything
An empirical study on few-shot counting using segment anything
Исследование использования метода SAM для сложной задачи подсчета объектов по нескольким снимкам.
🖥 Github: https://github.com/vision-intelligence-and-robots-group/count-anything
⏩ Paper: https://arxiv.org/abs/2304.10817v1
🤗 Hugging face: https://huggingface.co/spaces/nebula/counting-anything
📌 Dataset: https://drive.google.com/file/d/1ymDYrGs9DSRicfZbSCDiOu0ikGDh5k6S/view?usp=sharing
ai_machinelearning_big_data
276 586
+1Сбер запускает новую нейролингвистическую модель GigaChat.
GigaChat может ответить как быстро справиться с тревогой или подсказать, как справиться с грустью и улучшить настроение. Но, помимо этого, нейросеть генерирует ответы и на другие вопросы с помощью метода supervised fine-tuning, reinforcement learning with human feedback, а также на нейросетевом ансамбле NeONKA (NEural Omnimodal Network with Knowledge-Awareness).
GigaChat расширяет опыт взаимодействия с поисковыми запросами и учитывает контекст во время генерации ответа. И все это на русском языке.
На данный момент GigaChat находится в статусе закрытого бета-тестирования. Если вас привлекает перспектива стать одним из первых пользователей, получивших бесплатный доступ после его официального релиза, переходите по ссылке в Телеграм-канал.
276 586
+2📸 Omni Aggregation Networks for Lightweight Image Super-Resolution
Omni Self-attention paradigm for simultaneous spatial and channel interactions,mining all the potential correlations across omni-axis.
Omni-SR, легковесный фреймворк для получения высокого разрешения изображений.
🖥 Github: https://github.com/francis0625/omni-sr
⏩ Paper: https://arxiv.org/abs/2304.10244v1
⭐️ Dataset: https://paperswithcode.com/dataset/manga109
ai_machinelearning_big_data
276 586
А вы уже успели приобрести жильё по программе льготной ипотеки для IT-специалистов? Нет? Тогда эта новость для вас!
Застройщик ЛСР предлагает в апреле скидки всем, кто оформит IT-ипотеку:
1% — на однокомнатную квартиру или студию;
2% — на двухкомнатную квартиру;
3% — на 3-5-комнатную квартиру.
Скидка предоставляется на покупку недвижимости во всех объектах застройщика. Еще один момент: важно быть сотрудником компании-партнёра ЛСР.
Что делать, если ваша компания не является партнёром застройщика? Подать заявку на её включение в список! Важно: требования к компании включают аккредитацию Минцифры России и использование налоговых льгот.
Подробнее об акции здесь.
Реклама. ООО "ЛСР. НЕДВИЖИМОСТЬ-СЗ" LjN8K2f4Y
276 586
🧑💻 Learning to Program with Natural Language
This project introduces the Learning to Program (LP) method, which aims to learn the task program in text form from the training set using Large Language Models (LLMs) themselves.
Новый проект от Microsoft представляет метод Learning to Program (LP), который позволяет использовать естественный язык в качестве языка программирования для описания процедур задач, делая их легко понятными как для людей, так и для LLM.
🖥 Github: https://github.com/microsoft/naturallanguageprogram
⏩ Paper: https://arxiv.org/pdf/2304.10464v1.pdf
⭐️ Dataset: https://paperswithcode.com/dataset/math
ai_machinelearning_big_data
276 586
LLM Zoo: democratizing ChatGPT
Model "Phoenix", achieving competitive performance among open-source English and Chinese models while excelling in languages with limited resources
LLM Zoo - это проект, который предоставляет данные, модели и бенчмарки для больших языковых моделей.
🖥 Github: https://github.com/freedomintelligence/llmzoo
⏩ Paper: https://arxiv.org/abs/2304.10453v1
⭐️ Parameters: https://huggingface.co/FreedomIntelligence/phoenix-chat-7b
ai_machinelearning_big_data
276 586
Understanding INT4 Quantization for Transformer Models: Latency Speedup, Composability, and Failure Cases
В данной работе исследуется возможность использования квантования INT4 для языковых моделей и показываем.
🖥 Github: https://github.com/microsoft/DeepSpeed
⏩ Paper: https://arxiv.org/pdf/2301.12017v1.pdf
⭐️ Dataset: https://paperswithcode.com/dataset/multinli
ai_machinelearning_big_data
