¡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 293 687 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 293 687 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.
293 687
Suscriptores
-23524 horas
-1 5517 días
-6 44430 días
Archivo de publicaciones
293 638
✅ Graph Transformer Networks: Learning Meta-path Graphs to Improve GNNs
Github: https://github.com/seongjunyun/Graph_Transformer_Networks
Paper: https://arxiv.org/abs/2106.06218v1
Dataset: https://github.com/Jhy1993/HAN
@ai_machinelearning_big_data
293 638
Microsoft's FLAML - Fast and Lightweight AutoML
Github: https://github.com/microsoft/FLAML
Code: https://github.com/microsoft/FLAML/tree/main/notebook/
Paper: https://arxiv.org/abs/2106.04815v1
@ai_machinelearning_big_data
293 638
👨 TFace: A trusty face recognition research platform
Github: https://github.com/Tencent/TFace
Paper: https://arxiv.org/abs/2106.05519v1
@ai_machinelearning_big_data
293 638
🧠 Yet Another Language Model — нейросетевой языковой алгоритм генерации текстов, разработанный Яндексом
Создатели YaLM выпустили подробную статью о разработке и применении генеративных трансформеров для поиска ответов. Из неё вы узнаете, в каких случаях для обучения огромной модели продуктивнее использовать лишь малую часть параметров и изучите различия между Pipeline parallelism, Tensor parallelism и ZeRO.
Статья: https://wow.link/Er21
@ai_machinelearning_big_data
293 638
📈 NGBoost: Natural Gradient Boosting for Probabilistic Prediction
Github: https://github.com/stanfordmlgroup/ngboost
Slides: https://drive.google.com/file/d/183BWFAdFms81MKy6hSku8qI97OwS_JH_/view
Paper: https://arxiv.org/abs/2106.03823v1
@ai_machinelearning_big_data
293 638
X5 Group проводит собственное мероприятие X5Tech Future Night о технологиях и бизнесе. Большое летнее офлайн событие объединит на одной площадке разные форматы: лекции, паблик-интервью, бизнес-дебаты, дискуссии и музыкальный оупен-эйр.
В программе есть отдельная секция, посвященная Big Data, а именно тому, как монетизировать данные и превратить их в новые продукты. Среди спикеров Дмитрий Прусов (X5 Group), Роман Доронин (EORA.ai), Олег Хомюк (Lamoda), Владимир Горовой (Яндекс.Вертикали) и другие.
Участие бесплатное, регистрируйтесь сейчас, чтобы не пропустить. Количество мест ограничено!
293 638
🤖 DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification
Project: https://dynamicvit.ivg-research.xyz/
Github: https://github.com/raoyongming/DynamicViT
Paper: https://arxiv.org/abs/2106.02034
@ai_machinelearning_big_data
293 638
Всё вокруг автоматизируется и на смену ручному труду приходят машины и алгоритмы. Почти в каждом магазине — кассы самообслуживания, вместо курьеров — роботы, даже новости теперь пишет GPT-3. Кажется, вакансии для простых работяг скоро сильно сократятся. Но зато появится еще больший спрос на людей, которые будут разрабатывать и обучать нейросети.
Поэтому, если вы хотите научиться профессии, которая создает будущее — обратите внимание на курс «Дата-сайентист» от SkillFactory. Вы получите сильную теоретическую базу, а затем будете очень много практиковаться. На курсе вы создадите искусственный интеллект, обучите нейронную сеть, будете анализировать данные и строить прогнозные модели, которые помогают бизнесу принимать верные решения на основе данных.
Можно учиться когда удобно, скорректировать нагрузку или заморозить курс на время, если, например, уезжаете в отпуск.
Ментор поможет в трудную минуту и ответит на все вопросы. А после окончания курса карьерный центр помогает студентам с трудоустройством.
❗️Оставить заявку и узнать все подробности можно по ссылке — https://clc.am/941n7A
293 638
🌏 The FLORES-101 Evaluation Benchmark for Low-Resource and Multilingual Machine Translation
Github: https://github.com/facebookresearch/flores
Paper: https://ai.facebook.com/research/publications/the-flores-101-evaluation-benchmark-for-low-resource-and-multilingual-machine-translation
Facebook blog: https://ai.facebook.com/blog/the-flores-101-data-set-helping-build-better-translation-systems-around-the-world/
@ai_machinelearning_big_data
293 638
You Only 👀 One Sequence
Rethinking Transformer in Vision through Object Detection
Github: https://paperswithcode.com/paper/you-only-look-at-one-sequence-rethinking
Dataset: https://paperswithcode.com/dataset/imagenet
Paper: https://arxiv.org/abs/2106.00666
@ai_machinelearning_big_data
293 638
Поговорим о продвинутых навыках в Machine Learning?
9 июня ждем вас в OTUS на вебинаре с Дмитрием Сергеевым, Senior Data Scientist в Oura. Вы узнаете, какие инструменты и технологии позволяют специалисту Data Science решать задачи Middle+ уровня.
Также среди тех, кто зарегистрируется и пройдет вступительный тест до 9 июня, будут выбраны 2 участника, которые бесплатно зачислятся на онлайн-курс «Machine Learning. Advanced». Регистрация https://otus.pw/yaAQ/
293 638
🏎 Make Pandas 3 Times Faster with PyPolars
Code : https://www.kdnuggets.com/2021/05/pandas-faster-pypolars.html
Github: https://github.com/pola-rs/polars
User Guide: https://pola-rs.github.io/polars-book
@ai_machinelearning_big_data
293 638
💥Grokking Artificial Intelligence Algorithms
⬇️ Download
💥Grokking Deep Reinforcement Learning
⬇️ Download
@ai_machinelearning_big_data
293 638
Yolov5-face is a real-time,high accuracy face detection
Github: https://github.com/deepcam-cn/yolov5-face
Paper: https://arxiv.org/abs/2105.12931v1
@ai_machinelearning_big_data
293 638
🗯 Unsupervised Speech Recognition
Github: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec/unsupervised
Pretraned model: https://github.com/pytorch/fairseq/tree/master/examples/wav2vec
Facebook blog: https://ai.facebook.com/blog/wav2vec-unsupervised-speech-recognition-without-supervision/
Paper
@ai_machinelearning_big_data
293 638
Вы уже зарегистрировались на about:cloud — ML& AI ’21?
Если нет, то самое время, еще есть места в оффлайне
https://cloud.yandex.ru/events/363
📆 Когда
Вечером в понедельник, 31 мая.
📍 Где
Оффлайн (офис Яндекса в Москве) + онлайн
❓О чем
about:cloud — ML& AI — это митап Yandex.Cloud об искусственном интеллекте и облачных технологиях. В этот раз будем говорить про Data Science и ML-разработку.
3 ключевых доклада вечера
🔁 Как выглядит полный цикл современного машинного обучения в облаке или DataSphere для пользователей Colab
✔️ ML-разработка для Enterprise. Главные фичи и возможности для крупного бизнеса
🎙 Yandex SpeechKit, который живет в DataSphere: как мы обучаем голосовые модели
Регистрация и подробности
👉🏻 https://cloud.yandex.ru/events/363
293 638
✔️ GPBoost: Combining Tree-Boosting with Gaussian Process and Mixed Effects Models
Github: https://github.com/fabsig/GPBoost
Demo code: https://htmlpreview.github.io/?https://github.com/fabsig/GPBoost/blob/master/examples/GPBoost_demo.html
Paper: https://arxiv.org/abs/2105.08966v2
@ai_machinelearning_big_data
293 638
Знаете кто стоит за каждым успешным AI-продуктом? Нет, не только команда крутых разработчиков. Без талантливого продакт-менеджера тоже не обошлось.
И если сейчас вы продакт-менеджер, но хотите большего: запускать сложные продуктовые решения и решать верхнеуровневые задачи бизнеса — то мы знаем, чем вам помочь. Нужно всего 4 месяца и мотивация стать лучше.
Речь идёт о курсе «AI Продакт-менеджер» от Product LIVE. После него вы научитесь управлять созданием продуктов с применением AI/DS-инструментов и коммуницировать с командой разработчиков. Лекции читают лидеры AI-сферы из Сбербанка, Mail.ru и Facebook, менторы и кураторы всегда помогут, если что-то не получается.
Курс рассчитан на 10 часов в неделю — можно совмещать с основной работой и сразу применять в ней полученные навыки.
До 31 мая промокод
ML45 даст скидку 45% на обучение
❗️Все подробности и регистрация: https://clc.am/-mD_mQ293 638
🧠 NeuroKit2: A Python toolbox for neurophysiological signal processing
A user-friendly package providing easy access to advanced biosignal processing routines.
Github: https://github.com/neuropsychology/NeuroKit
Paper: https://link.springer.com/article/10.3758/s13428-020-01516-y
Docs: https://neurokit2.readthedocs.io/en/latest/installation.html
@ai_machinelearning_big_data
293 638
🧠 NeuroKit2: A Python toolbox for neurophysiological signal processing
User-friendly package providing easy access to advanced biosignal processing routines
Github: https://github.com/neuropsychology/NeuroKit
Paper: https://link.springer.com/article/10.3758/s13428-020-01516-y
@ai_machinelearning_big_data
