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

Red:Machinelearning Rusia1 277 Tecnologías y Aplicaciones332...

📈 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 294 933 suscriptores, ocupando la posición 332 en la categoría Tecnologías y Aplicaciones y el puesto 1 277 en la región Rusia.

📊 Métricas de audiencia y dinámica

Desde su creación el невідомо, el proyecto ha mostrado un crecimiento acelerado, reuniendo a 294 933 suscriptores.

Según los últimos datos del 26 junio, 2026, el canal mantiene una actividad estable. En los últimos 30 días la variación de miembros fue de -6 463, y en las últimas 24 horas de -216, conservando un alto alcance.

Estado de verificación: No verificado
Tasa de interacción (ER): El promedio de interacción de la audiencia es 7.82%. Durante las primeras 24 horas tras publicar, el contenido suele obtener 5.40% de reacciones respecto al total de suscriptores.
Alcance de las publicaciones: Cada publicación recibe en promedio 23 058 visualizaciones. En el primer día suele acumular 15 914 visualizaciones.
Reacciones e interacción: La audiencia responde de forma activa: el promedio de reacciones por publicación es 179.
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 27 junio, 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.

294 933

Suscriptores

-21624 horas

-1 5507 días

-6 46330 días

23 058

Visitas de la publicación

~ 15 91424 horas

~ 17 79048 horas

7.82%

Tasa de compromiso

~ 6

Mensajes por día

Ads index

beta

Archivo de publicaciones

294 931

🎙 MetaVoice-1B: 1.2B parameter base model trained on 100K hours of speech for #TTS (text-to-speech) > Новейшая модель высококачественного клонирования голоса . > 1.2B параметрическая модель. > Обучена на 100 тысячах часов данных. > Синтез коротких и длинных разговоров. > Генерация эмоциональной речи. > Лицензия Apache 2.0. 🔥 Простая, но надежная архитектура: > Encodec (Multi-Band Diffusion) и GPT + Encoder Transformer LM. > DeepFilterNet для очистки от артефактов MBD. 🌐page: https://themetavoice.xyz 🧬code: https://github.com/metavoiceio/metavoice-src 🧪demo: https://ttsdemo.themetavoice.xyz 📦model: https://huggingface.co/metavoiceio/metavoice-1B-v0.1 ai_machinelearning_big_data

294 931

⚡Хакатон ML TALENT MATCH Примите участие в трехдневном хакатоне гибридного формата с 28 февраля по 1 марта, выполните задание одного из трёх кейсов на выбор и станьте победителем! 📊 Кейсы: 1. Алгоритм для мэтчинга кандидатов 2. Алгоритм для структурирования информации в резюме кандидатов 3. Алгоритм для сопоставления резюме и вакансии Для кого: - Junior и Middle разработчики; - Product-менеджеры; - ML-специалисты; - NLP- специалисты; - Аналитики; - Студенты; - Команды от 3 до 5 человек. 🏆Призовой фонд - 300 000 рублей. 📍Формат: онлайн/офлайн награждение в г. Москва, Кластер Ломоносов (ИНТЦ МГУ «Воробьёвы горы») Подробная информация и регистрация: https://clck.ru/38b9Wb

294 931

🔢 DeepSeekMath: Pushing the Limits of Mathematical Reasoning in Open Language Models DeepSeekMath 7B - новая модель для решения математических задач. DeepSeekMath 7B показал впечатляющий результат в на соревновательном уровне в бенчмарке MATH , приблизившись к уровню Gemini-Ultra и GPT-4. 🖥 Github: https://github.com/deepseek-ai/deepseek-math 📚 Paper: https://arxiv.org/abs/2402.03300v1 🦾 Dataset: https://paperswithcode.com/dataset/math ai_machinelearning_big_data

294 931

⚠️ С чего начать, если хотите работать в ML? С бесплатного практического урока «Кластерный анализ данных» от OTUS. Спикер Мария Тихонова – Senior Data Scientist в «SberDevices» и преподаватель ВШЭ. • В результате вебинара вы узнаете общие принципы кластеризации данных в ML • Изучите ряд алгоритмов, в том числе k-means и примените их на практике Встречаемся 7 февраля в 18:00 мск в рамках курса «Machine Learning. Professional». Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить список вопросов и ответов для прохождения интервью 👉Регистрация https://otus.pw/gqDQ/?erid=LjN8KJQGh

294 931

☑️ cmaes : A Simple yet Practical Python Library for CMA-ES Простая и практичная библиотека на Python для CMA-ES. Стратегия эволюции адаптации ковариационной матрицы (CMA-ES) - это особый вид стратегии для численной оптимизации . Стратегии развития (ES) - это стохастические , методы без производных для числовой оптимизации не- линейной или не выпуклые задачи непрерывной оптимизации . Они принадлежат к классу эволюционных алгоритмов и эволюционных вычислений . эволюционный алгоритм в целом основан на принципе биологической эволюции , а именно на повторяющемся взаимодействии вариаций (посредством рекомбинации и мутации) и отбора: в каждом поколении (итерации) новые особи (кандидаты решения, обозначенные как ), генерируются путем изменения, обычно стохастическим образом, текущих родительских особей.

$ pip install cmaes

import numpy as np
from cmaes import CMA

def quadratic(x1, x2):
    return (x1 - 3) ** 2 + (10 * (x2 + 2)) ** 2

if __name__ == "__main__":
    optimizer = CMA(mean=np.zeros(2), sigma=1.3)

    for generation in range(50):
        solutions = []
        for _ in range(optimizer.population_size):
            x = optimizer.ask()
            value = quadratic(x[0], x[1])
            solutions.append((x, value))
            print(f"#{generation} {value} (x1={x[0]}, x2 = {x[1]})")
        optimizer.tell(solutions)

🖥 Github: https://github.com/CyberAgentAILab/cmaes 📕 Paper: https://arxiv.org/abs/2402.01373v1 ai_machinelearning_big_data

294 931

Используй ChatGPT в профессиональных целях. Создавай нейросуотрудников и зарабатывай на этом. Вот тут ребята проводят бесплатный вебинар, на котором рассказывают: - зачем изучать ChatGPT профессионально - сколько на этом можно заработать - как можно создавать проекты на основе нейронок и продавать их за иксы Веб подойдет маркетологам, дизайнерам, врачам, юристам, руководителям, предпринимателям, разработчикам - мы можем долго перечислять. Нейронки уже нужны всем! Регистрируйся прямо сейчас - будь в курсе всех новинок из мира AI Реклама. ООО "ТЕРРА ЭЙАЙ". ИНН 9728019395. erid: LjN8KZapg

294 931

⚡️ MotionDirector: Motion Customization of Text-to-Video Diffusion Models MotionDirector модель генерации текста в видео, для создания видео в движении по указанным инструкциям. 🖥 Github: https://github.com/showlab/MotionDirector 📕 Paper: https://arxiv.org/abs/2310.08465 ⭐️ Project: showlab.github.io/MotionDirector/ ai_machinelearning_big_data

294 931

Как эффективно проводить эксперименты в ClearML? Расскажет Влад Пивоваров — senior MLOps инженер, который успел поработать в Сбербанке, Airbnb, Groupon. На бесплатном практическом уроке от OTUS разберёмся, каким образом работает инструмент ClearML и как в пару строчек кода можно запустить эксперименты и удобно сравнить их через интерфейс. Занятие идеально подойдет для дата саентистов, MLOps и devops-инженеров. Встречаемся 7 февраля в 20:00 мск в рамках курса «MLOps». Доступна рассрочка на обучение! Пройдите короткий тест прямо сейчас, чтобы посетить бесплатный урок и получить запись: https://otus.pw/gFoni/?erid=LjN8K99vF Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.

294 931

⚡️ MoE-LLaVA: Mixture of Experts for Large Vision-Language Models Новая стратегия обучения MoE-tuning для LVLM, которая позволяет построить модель с огромным количеством параметров, которая эффективно решает проблему снижения производительности, обычно связанную с мультимодальным обучением и разреженностью модели. Этот фреймворк уникальным образом активирует только топ-к экспертов через маршрутизаторы во время развертывания, оставляя остальных экспертов неактивными. Обширные эксперименты подчеркивают возможности MoE-LLaVA в визуальном понимании и ее потенциал для уменьшения галлюцинаций в результатах моделирования. Примечательно, что при наличии всего 3 миллиардов редко активируемых параметров MoE-LLaVA демонстрирует производительность, сравнимую с LLaVA-1.5-7B на различных наборах данных для визуального понимания, и даже превосходит LLaVA-1.5-13B в тестах на галлюцинации объектов. 🖥 Code: https://github.com/PKU-YuanGroup/MoE-LLaVA 🚀 Jupyter: https://github.com/camenduru/MoE-LLaVA-jupyter 📚 Paper: https://arxiv.org/abs/2401.15947 @ai_machinelearning_big_data

294 931

Скажите что-то на карьерном Тинькофф в поиске крутых ИТ-спецов. С компании — профессиональный рост, интересные финтех-задачи, решение бытовых забот и работа там, где вы живете. С вас — выбрать вакансию и откликнуться тут АО «Тинькофф Банк», ИНН 7710140679

294 931

📷 InstructIR: High-Quality Image Restoration Following Human Instructions InstructIR принимает на вход изображение и инструкцию по его улучшению. Нейронная сеть выполняет комплексное восстановление и улучшение изображения. InstructIR достигает передовых результатов в нескольких задачах реставрации, включая обесцвечивание, размытие и улучшение изображения (даже при слабом освещении). 🖥 Code: https://github.com/mv-lab/InstructIR 🚀 Project: mv-lab.github.io/InstructIR/ 🎮 Colab: https://colab.research.google.com/drive/1OrTvS-i6uLM2Y8kIkq8ZZRwEQxQFchfq 📚 Paper: https://arxiv.org/abs/2401.16468 @ai_machinelearning_big_data

294 931

Отличная возможность для независимых разработчиков проявить себя и развить собственный проект — Программа грантов Yandex Open Source. Для вас есть отдельный трек машинного обучения — можно подать заявку прямо сейчас и выиграть грант на Yandex Cloud на сумму 600 тысяч рублей. Регистрируйте проект до 29 февраля по ссылке

294 931

⚡️ DiffSynth Studio Diffutoon - это новая модель диффузии для преобразования видео в анимационный стиль. Модель работает с высоким разрешением и быстрыми движениями. 🖥 Code: https://github.com/Artiprocher/DiffSynth-Studio 🚀 Project: https://ecnu-cilab.github.io/DiffutoonProjectPage/ 📚 Paper: https://arxiv.org/pdf/2401.16224.pdf @ai_machinelearning_big_data

294 931

⭐️ GALA: Generating Animatable Layered Assets from a Single Scan Новый ИИ, который может раздевать 3D модели людей. GALA может обработать однослойную сетку одетого 3D-человека и разложить ее на полноценные многослойные 3D-объекты. Полученные результаты могут быть объединены с другими объектов для создания новых одетых человеческих аватаров с любой позой. 🖥 Code: https://github.com/snuvclab/GALA 🚀 Project: snuvclab.github.io/gala 📚 Paper: https://arxiv.org/abs/2401.12979 @ai_machinelearning_big_data

294 931

🎉 Release Code Llama 70B! Выпуск Code Llama 70B: новая, более производительную версию LLM для генерации кода - доступную по той же лицензии, что и предыдущие модели Code Llama. - CodeLlama-70B - CodeLlama-70B-Python - CodeLlama-70B-Instruct CodeLlama-70B-Instruct достигает 67,8 балла в HumanEval, что делает ее одной из самых высокопроизводительных открытых моделей на сегодняшний день. CodeLlama-70B - это самая производительная база для тонкой файнтюнинга моделей генерации кода. Скачать модели ➡️ https://ai.meta.com/resources/models-and-libraries/llama-downloads/

294 931

📽 VideoCrafter2: Overcoming Data Limitations for High-Quality Video Diffusion Models 🔥 Text2Video 📹 Image2Video 🎥 Jupyter Notebook 🥳 VideoCrafter 2 - это обновленный набор инструментов с открытым исходным кодом для создания и редактирования видео высокого качества. В настоящее время он включает модели Text2Video и Image2Video. 🖥 Code: https://github.com/AILab-CVC/VideoCrafter 🚀 Project: https://ailab-cvc.github.io/videocrafter2/ 📚 Paper: https://arxiv.org/abs/2401.09047 🦉 Jupyter: https://github.com/camenduru/VideoCrafter-colab @ai_machinelearning_big_data

294 931

⭐️ ComfyUI-3D-Pack Модель, которая может генерировать и обрабатывать 3D-объекты с помощью передовых алгоритмов (3DGS, NeRF, Differentiable Rendering, SDS/VSD Optimization, и тд). ▪ComfyUI-3D-Pack: https://github.com/MrForExample/ComfyUI-3D-Pack ▪TGS: https://github.com/VAST-AI-Research/TriplaneGaussian @ai_machinelearning_big_data

294 931

Repost from Техномотель

Обновленная нейромодель GigaChat PRO оказалась лучше по качеству ответов, чем GPT-3.5-turbo от OpenAI не только на русском, но и на английском языке. Специалисты, которые проводили сравнение выяснили, что GigaChat PRO на 6% лучше конкурента справилась с вопросами в тесте MMLU — он включает в себя вопросы в 57 областях знаний из математики, истории, медицины и других. Учитывая, что GPT от OpenAI не очень хорошо справляется с запросами на русском — среди нейронок на российском рынке появился явный фаворит.

294 931

🖥 Depth Anything is now available Monocular depth estimation is the task of estimating the depth value (distance relative to the camera) of each pixel given a single (monocular) RGB image. Монокулярная оценка глубины - это задача определения значения глубины (расстояния относительно камеры) каждого пикселя по одному (монокулярному) RGB-изображению. Depth Anything - это новая интересная модель от Университета Гонконга/TikTok, которая берет существующую архитектуру нейронной сети для монокулярной оценки глубины (а именно модель DPT с основой DINOv2) и увеличивает набор данных для обучения на ней. Авторы разработтали "движок данных" для сбора и автоматического аннотирования масштабных немаркированных данных (~62 миллиона изображений), что значительно расширяет охват данных и позволяет снизить ошибку обобщения. 🖥 Code: https://github.com/NielsRogge/Transformers-Tutorials/blob/master/Depth%20Anything/Predicting_depth_in_an_image_with_Depth_Anything.ipynb 🚀 HF: https://huggingface.co/docs/transformers/v4.28.0/tasks/monocular_depth_estimation 📚 Paper: https://huggingface.co/papers/2401.10891 @ai_machinelearning_big_data

294 931

С чего начать, если хотите стать бизнес-архитектором в IT? С бесплатного практического урока от OTUS, где опытный эксперт разберет: 1️⃣ Что такое бизнес-архитектура 2️⃣ Как это работает в вертикально-интегрированных корпорациях и экосистемах 3️⃣ Популярные техники построения работающей бизнес-архитектуры Вебинар будет полезен всем IT-спецам, которые хотят построить карьеру в управлении. 📢 Встречаемся 29 января в 19:00 мск в рамках курса «Enterprise Architect».После урока у вас будет возможность стать студентом курса по специальной цене и даже в рассрочку! 👉Зарегистрируйтесь прямо сейчас, чтобы посетить бесплатный урок и получить запись: регистрация Реклама. ООО "ОТУС ОНЛАЙН-ОБРАЗОВАНИЕ". ИНН 9705100963.